到了 2020 年，先進駕駛輔助系統（advanced-driver assistance systems，ADAS）市場的價值估計可達 600 億美元，年復合增長率 （CAGR） 幾乎達到 23%。ADAS 是汽車行業的新寵，推動著這個巨大生態系統中的大部分創新。我們幾乎每天都會聽到關于這個領域的未來產品公告和消息，例如最近谷歌創辦了自己的汽車公司，優步正在積極研發面向未來的自動駕駛出租車以及通用汽車贊助了在底特律新創辦的 MCity Facility。

　　資料來源：Ian Riches 在 Strategy Analytics 的 2015 年 GPU 技術大會上的演講稿“Vision-Based ADAS:Seeing the Way Forward”

　　兩種相互矛盾的趨勢

　　目前這些公司和許多其他與汽車行業相關的公司正在面臨挑戰，因此推動著工程團隊去掌握迄今為止最高級別的人工智能和深度學習算法。這些汽車工程團隊現在正創建由NASA、DARPA 和多家軍事/國防機構開發出的先進技術，并將應用到消費類電子設備，如智能手機、可穿戴設備和無人駕駛飛機。

　　汽車行業所面臨的挑戰是獨一無二的，因為它融合了兩種有時會相互矛盾的趨勢：一方面，駕駛趨勢正朝著自主駕駛的方向發展，導致汽車需要滿足最苛刻的安全標準和故障覆蓋率。另一方面，從成本敏感度來說，汽車仍然屬于消費類設備，因此這些 ADAS 系統必須是價格便宜的附加設備，特別是 Euro-NCAP 和 NHTSA 等標準機構已將它們納入到其安全評級系統。這就要求每個業內人員（包括算法開發人員、系統制造商、芯片供應商和處理器設計人員）都跳出思維定式，并實現整個生態系統的密切合作。

　　以“車道偏離警告”這個相對簡單的 ADAS 任務為例，在“正常”駕駛條件下，車道偏離很好處理；但當環境條件不那么理想時，比如雨天、濃霧、直射光反射，或處于高對比度場景（如離開隧道），問題就來了。這時就需要應用各種獨特的過濾器和成像算法來清理圖像，融合多個畫面（有時來自不同的傳感器）和其他技術。當道路標志和車道沒有清楚地標示，車道收窄或者道路正在施工（使得車道標記用不同的顏色分層，或車道標記消失），或者根本沒有車道標記時，這個問題就會變得更具挑戰性。另外，還要考慮到車道有多種標記方式，其中一些取決于地理位置，如連續線、虛線、雙線，甚至有些道路使用突起的標記（Botts 點）代替一般道路標記。系統現在必須模仿人類的大腦（我提到人工智能了嗎？）來收集各種指示信息，包括道路標記、道路邊緣、施工信號、前方車輛的位置、對面車道駛來的車輛的位置、交通標志等等，從而推斷“車道”。

　　利用高效節能的處理器

　　現在我們嘗試把這種車道偏離警告系統轉換成一個車道保持系統（可主動調整車輛方向，從而使車輛在自主駕駛環境下保持在車道內）。該系統的精確度只需與人類的視覺和智能系統相若（有時也會超過后者）。要在滿足緊縮的功耗和成本預算的同時，實現處理大量視覺信息所需的先進算法，只有利用高效節能的處理器才有可能。

　　為了真正實現自主駕駛，汽車將需要連續推斷車身周圍的每個對象（汽車、交通標志、道路標記、車道、行人、顛簸、騎自行車的人、交通燈、道路上的碎片等），了解不同對象之間的關系（例如，前方車輛的行為與交通燈之間的相關性），并在一瞬間做出正確的決定。檢測（和保持）駕駛員的車道其實只是冰山一角。

　　在未來，我們可以預見到這種對安全至關重要的人工智能系統還會遇上道德問題，例如在遭遇無可避免的碰撞時，應該將車輛撞向闖到馬路上的動物，還是撞向人行道上的行人？系統應如何優先考慮司機的安全與路上其他人的安全？考慮到人工智能需要判斷如此多的因素，我們不應期望完全自主駕駛的汽車能夠在未來 10 年內面世；但基于視覺的先進算法和相關的高效節能的嵌入式處理器，肯定會有一些明顯的進步。