سیستم های ادراک خودرو حرارتی تعبیه شده
Teledyne FLIR نسخه جدیدی از هوش مصنوعی Prism را اعلام کرده است که دارای یک مدل هوش مصنوعی فشرده برای استقرار ساده در سیستمهای جاسازی شده است. نسخه جدید بیشتر به مهندسان ادراک امکان می دهد تا به سرعت دوربین های حرارتی را برای سیستم های پیشرفته کمک راننده (ADAS) و سیستم های خودروی خودمختار (AV) ادغام کنند و عملکرد ردیابی اشیا را تا 24 درصد در مقایسه با نسخه قبلی Prism AI بهبود بخشند.
مایکل والترز، معاون مدیریت محصول Teledyne FLIR گفت: «مدل نرمافزاری بهبودیافته Prism AI آزمایش و توسعه سیستم جاسازیشده را امکانپذیر میسازد، و مهندسین ادراک را قادر میسازد تا سیستمهای مؤثرتری را با قابلیتهای حرارتی آسانتر از قبل ایجاد کنند. از آنجایی که اکوسیستم و ابزارهای هوش مصنوعی Teledyne FLIR همچنان در حال گسترش هستند، میتوانیم مسیری بینظیر را برای آزمایش سریع و کاهش هزینههای توسعه برای ADAS یا AV با قابلیت ذخیرهسازی حرارتی ارائه کنیم.
Prism AI یک اکوسیستم مشارکتی است که برای توسعه دهندگان سیستم ادراک خودرو ساخته شده است که هفت کلاس تشخیص اشیا، ترکیب تصویر مرئی و حرارتی، قابلیتهای پردازش تصویر حرارتی پیشرفته، قابلیتهای ضبط حالت سایه جدید، جذب دادههای دستهای و غیره را ارائه میکند. این ویژگیها با هم، ادغام حسگرهای حرارتی خودرو را ساده میکنند که تشخیص عالی عابران پیاده، حیوانات و وسایل نقلیه را، به ویژه در شب و در دید ضعیف، فراهم میکنند.
توسعه دهندگان ممکن است از Prism AI به عنوان نرم افزار ادراک اولیه یا به عنوان نرم افزار مرجع در طول توسعه داخلی استفاده کنند. مجموعه ای از ابزارهای Prism AI یکپارچه سازی ساده داده با نرم افزار مدیریت چرخه عمر داده Teledyne FLIR Conservator و همچنین بزرگترین مجموعه داده آموزشی حرارتی و مرئی صنعت را فراهم می کند.
Prism AI همچنین شامل ویژگی های مورد نیاز تولید از جمله احراز هویت بین دوربین حرارتی و واحد کنترل الکترونیکی است که توسعه را ساده تر می کند. با پشتیبانی متخصص تیم خدمات فنی Teledyne FLIR، مهندسان ادراک از دانشگاه گرفته تا OEM های خودرو اکنون یک اکوسیستم کامل برای ساخت سیستم های ADAS و AV با قابلیت حرارتی دارند.
بهبود درک خودرو در همه انواع شرایط برای کاهش رکورد تعداد تلفات عابر پیاده بسیار مهم است. در ایالات متحده، داده های اولیه انجمن ایمنی بزرگراه فرمانداران افزایش 17 درصدی تلفات عابران پیاده را در نیمه اول سال 2021 نسبت به سال قبل و 46 درصد افزایش نسبت به سال 2011 تخمین زد. نقش مهمی در کاهش تعداد غیرقابل قبول تلفات ناشی از ترافیک عابر پیاده دارد و به OEM های خودرو کمک می کند تا روش های تست نظارتی آتی را که شامل پیشگیری از تصادف جلوی عابر پیاده در شب است، رعایت کنند.