極目智能發(fā)布業(yè)界最低成本FPGA ADAS方案，面向近10家車廠批量供貨

今日，智能駕駛輔助技術(shù)供應(yīng)商極目智能發(fā)布旗下最新車規(guī)級視覺ADAS解決方案JM600 V3.0，該系統(tǒng)搭載Xilinx高性能FPGA平臺，整合極目在深度學習技術(shù)方面的最新研發(fā)成果，實現(xiàn)了性能、成本等方面的最佳平衡，是當前業(yè)界最具競爭力的FPGA視覺方案。

極目JM600 V3.0系統(tǒng)主要針對前裝乘用車和商用車市場，將于今年Q3量產(chǎn)。

備受青睞，大型客車企業(yè)客戶份額排名第一

憑借在技術(shù)領(lǐng)先性與成熟度、服務(wù)體系等方面的綜合優(yōu)勢，目前極目智能已向蘇州金龍、廈門金旅、濰柴動力、上海申龍、青年汽車、珠海銀隆、上海萬象等8家國內(nèi)TOP15商用客車企業(yè)批量供貨，在前裝客車領(lǐng)域的大型主機廠客戶份額占比50%以上，遙遙領(lǐng)先同類供應(yīng)商。

同時，極目也在積極拓展卡車及乘用車市場，目前已與數(shù)家TOP 10廠商達成合作。

在后裝市場上，極目智能已與蘇交科、中石油、上海國際汽車城、新加坡警察部隊（Singapore Police Force）等國內(nèi)外大型車隊進行合作，并與中國大地保險總部率先在國內(nèi)多個省市合作推動ADAS車險風控業(yè)務(wù)落地，后裝業(yè)務(wù)涉及車隊管理、營運車險、智慧公交等多個領(lǐng)域。

極目「三板斧」，打造業(yè)界最具競爭力的FPGA視覺方案

1）系統(tǒng)功能豐富，性能領(lǐng)先

極目JM600 V3.0系統(tǒng)主要提供L1-L2級駕駛輔助功能，能夠?qū)?/span>車輛、車道線、行人、騎行者、交通標識牌等元素在多種工況和場景中的進行精準識別，實現(xiàn)了前車碰撞預(yù)警、車道偏離預(yù)警、行人碰撞預(yù)警、限速標牌識別等功能。

系統(tǒng)支持與毫米波雷達進行數(shù)據(jù)融合，可擴展AEB自動緊急剎車、LKA車道保持等功能。

在性能方面，JM600 V3.0系統(tǒng)支持多種車型的識別，包括轎車、SUV、卡車、廂式卡車、斗式卡車、公交車、三輪車、平板車及特殊異型車等，測距精度與激光雷達誤差為3%以內(nèi)；支持實線、虛線、雙線、道路邊緣、柵欄等多種車道元素識別，具備曲線識別能力，曲率半徑高于150米，車道檢測精度約3cm；在弱勢道路參與者檢測方面，極目支持成人、兒童等行人及騎行者檢測，支持道路參與者多姿態(tài)識別；在標識牌識別方面，JM600 V3.0方案支持限速標牌識別，后續(xù)會升級支持限高、限寬等多種標識牌類型。

此外，系統(tǒng)對包括夜晚 、隧道、逆光、雨霧等在內(nèi)的多種復(fù)雜工況做了優(yōu)化處理，能夠覆蓋絕大部分主流日常駕駛場景。

2）硬件平臺極具優(yōu)勢

極目JM600 V3.0系統(tǒng)搭載賽靈思旗下高性能FPGA平臺。相對于GPU、ASIC等平臺，F(xiàn)PGA的核心優(yōu)勢在于可編程、靈活性高。它強大的并行處理能力可以滿足日益增長的AI算法處理需求，同時定制性強的特點也能夠支持后續(xù)不同的接口和功能定義需求。

此外，JM600 V3.0系統(tǒng)將ISP圖像處理集成到內(nèi)部，支持HDR寬動態(tài)，能夠提升明暗對比，對隧道口、夜間對向車輛燈光起到抑制作用。

3）方案成本極具競爭力

為推動系統(tǒng)量產(chǎn)進程，極目團隊在JM600 V3.0系統(tǒng)的成本控制上做了很多考量，通過提高系統(tǒng)集成度來實現(xiàn)性能與成本極致平衡，最終將JM600 V3.0的總成本控制在低于業(yè)界平均水平30%以上，是目前業(yè)界成本最低的FPGA視覺方案，價格極具競爭力。

深度學習加持，鞏固核心競爭力

作為一支技術(shù)基因濃厚的隊伍，極目智能一直深耕技術(shù)研發(fā)，此次發(fā)布的JM600 V3.0方案展示了極目在深度學習方面的最新成果。

一般來講，深度學習算法復(fù)雜度較高，不太適合運行在嵌入式硬件平臺上。要將深度學習運行在FPGA平臺上，需要首先將算法和硬件進行聯(lián)合開發(fā)，使深度學習網(wǎng)絡(luò)輕量化，降低功耗，具備一定的技術(shù)壁壘。

通過編碼模式優(yōu)化、對冗余網(wǎng)絡(luò)結(jié)構(gòu)的裁剪以及算法流程的調(diào)整等方式，極目智能在控制精度損失的前提下實現(xiàn)了模型尺寸的輕量化。目前，在精度損失不到1%的情況下，極目深度學習模型尺寸可以壓縮近90%，計算量降低近90%。