利用汽车微控制器上的边缘AI检测驾驶条件

高级驾驶员辅助系统 (ADAS) 能够检测车辆运动和道路状况，这种解决方案可以提醒驾驶员路面不平坦或是车辆正在发生侧滑，从而提升车内外人员的安全性。这种灵活的AutoDevKit系统解决方案套件 (AEKD-AICAR1) 基于在SPC58 C系列汽车微控制器上运行的长短时期记忆单元 (LSTM) 递归神经网络 (RNN)。

为驾驶模式部署边缘AI——TinyML如何转变驾驶状态检测？

根据最新研究，对于希望创造终极驾驶体验的汽车制造商来说，驾驶模式可能是新的埃尔多拉多（西班牙语“理想国度“的意思）。在2021年发表的一篇论文中，研究人员表明，某些驾驶模式会使在高速公路上行驶的电动汽车的耗电量增加15%至30%。

根据J.D.Power 2023年的一项研究，由于消费者仍然存在续航里程焦虑，如果在最佳续航条件下能够将电池寿命提高约三分之一可以显著提高客户满意度。驾驶模式还需要应对潮湿、结冰或雪地等危险条件做出调整，以提供更安全的驾驶。问题是，在模式之间切换需要驾驶员手动选择适当的设置。

驾驶模式太好了！为什么它们不能是自动的？

本质上，驾驶模式代表了旨在创造或强调特定驾驶体验的各种传动系配置，例如通过修改转向系统的响应、悬架的灵活性或再生制动的积极性，该系统将创造截然不同的驾驶体验，以专注于特定目标。

传统的Eco模式降低响应能力并改变传动比以优先考虑节能，而Comfort模式则调整悬架以更多地吸收颠簸。相反，运动模式确保了强大的油门、更重的转向和更严厉的悬架，使驾驶员体验到更接近比赛而非巡航的体验。

汽车制造商不会自动从一种模式转换到另一种模式，因为不同模式之间形成了鲜明的对比，自动切换模式可能会吓到司机。然而，除非在人烟稀少的高速公路上一次性长时间行驶，否则驾驶条件很少是一致的。通常情况下，用户会体验到缓慢的交通，这将需要Eco模式；然后是一个正在进行的颠簸区域，这将非常适合舒适模式；再然后需要快速加速才能摆脱静止状态，这将在返回Eco之前从短时间的运动模式中受益匪浅。这甚至还不包括天气的突然变化。雪地模式调整变速器，降低油门响应，以降低功率和扭矩。其目的是通过保护驾驶员免受恶劣天气和自身的影响，防止汽车被卡住。该系统通过减缓响应并强制更稳定的加速，即使驾驶员突然踩下油门，也能限制车轮进入雪地的风险。

然而，高度关注道路的驾驶员不应该考虑切换驾驶模式。随着天气的突然变化，汽车应该帮助用户专注于周围环境，而不是通过模式和设置来分散他们的注意力。

为机器学习和ST量身定制的问题

这个问题的解决方案可能在于机器学习。由于有了无数的传感器，汽车能够比任何人都更准确地检测道路、天气和其他情况。事实上，车辆在管理湿滑或危险条件方面非常精确和精明，几十年来，牵引力控制和防抱死制动系统等功能一直是强制性的。 系统也变得如此智能，牵引力控制可以在正常情况下帮助驾驶员避免转弯时转向不足或转向过度。因此，使用机器学习来检测路况并自动选择最佳模式是多年来塑造汽车创新的自然演变。

然而，建立一个自动驾驶模式系统和道路检测机制可能具有挑战性，工程师们经常想知道他们从哪里开始。ST首款机器学习解决方案，可识别四种汽车状态：停车、正常路况、颠簸路面、打滑或转弯。以下是三个简单的步骤，可以让项目走上正轨，并减少向市场发布产品所需的时间。

步骤1 获取AEKD-AICAR1套件

创建一个机器学习应用程序似乎是一项艰巨的任务。当团队考虑在微控制器上收集数据、训练神经网络和实现算法时，甚至在第一次概念验证之前，他们就会气馁。

小公司甚至可能没有数据科学家，也没有处理神经网络的专业知识。因此，我们发布了AEKD-AICAR1评估试剂盒，以揭开这一过程早期阶段的神秘面纱。

线束包括AEK-CON-SENSOR1连接器板和AIS2DW12三轴加速计。主板本身装有SPC58EC Chorus微控制器，带有4 MB闪存，并配有预训练的神经网络。简单地说，AEKD-AICAR1传感器节点套件具备开发人员开始使用机器学习应用程序所需的一切。

我们甚至提供了一个显示器来显示代表汽车状态的简单UI，以确保团队能够更容易地演示他们的概念验证。还有一个设置，用一个典型的12V电池或八个AA电池为整个系统供电，以提高整体移动性。

步骤2 使用ST的软件生态系统

开箱即用，预先训练的神经网络可以识别四种状态：正常道路、颠簸道路、打滑和停车。此外，还可以将这些状态与其他情况结合起来，如在正常道路上打滑、在颠簸道路上打滑，在发动机打开的情况下停车或在发动机关闭的情况下泊车。

显然，我们使用了一小组训练数据，因为该应用程序仅用于演示目的。然而，尽管一开始可用的训练数据非常有限，但我们获得了94%的成功率，仅在一些附加条件下存在问题。简单地说，团队已经可以想象他们可以用更多的信息和复杂的算法来完成什么。

要开始测试模型，开发人员只需获取AutoDevKit Studio和SPC5-Studio-AI插件，这将使他们能够导入最流行的深度学习框架，如Keras和TensorFlow Lite。ST插件甚至可以验证神经网络，并可以在微控制器上模拟其性能，让开发人员了解所需的内存占用和推理时间。

尽管这一步骤很重要，但无论团队的专业知识水平如何，它尤其可以帮助经验较少的工程师。在边缘进行机器学习时，很容易高估RAM或计算吞吐量要求。我们的工具可以帮助更快地准确了解应用程序的硬件需求。

步骤3 测试并完善您的应用程序

下一步是将AEKD-AICAR1放置在驾驶员侧的地板上，朝向车辆前部，以测试算法并获取更多数据。事实上，这复制了真实世界的性能，可以收集更多信息。因此，工程师们并不是简单地设计一种更智能的驾驶状态检测，而是同时完善它。

随着团队从加速度计或连接到套件的其他传感器收集更多数据，就有可能准确检测更多路况，从而为真正智能的驾驶模式选择打开大门。我们的用户手册甚至提供了Python脚本和Google Colab的简介，因此即使是那些在数据科学方面几乎没有经验的人也可以开始使用。

把握市场先机

遵循这三个步骤将有助于团队在正确的轨道上起步。开发人员仍然需要优化他们的解决方案，并找到一条使其具有竞争力的市场之路。然而，ST不仅提供支持，而且还提供了一个完整的合作伙伴计划，该计划由具有专业知识的公司组成，为客户提供独特的优势。简单地说，问题不在于机器学习是否会自动选择驾驶模式和检测路况，而在于谁将是第一个实现它的人。