感測器融合 

在一輛車中,我們可以收集到各種不同感測器之數據,包含相機(camera)、雷達(radar)、慣性測量單元(IMU)、衛星定位(GNSS)、溫度感測器(temperature sensor)、油壓感測器(oil pressure sensor)、速度感測器(speed sensor)等。在新馳科技,我們專注於研發各種感測器數據之融合技術,彌補各個感測器不足之處,以得到更精確之測量結果,整合過的資料可以使用在各種面向之應用,如精準定位、駕駛控制、錯誤偵測等。 
gallery/500854219 copy
gallery/400168798 copy

深度學習 

收集了各種資料後,針對不同的應用場景,我們運用深度學習來偵測與識別需要之物品,例如:定位服務中識別車道線與交通號誌牌、自駕車控制問題中識別周遭車輛並預測他們即將行走之軌跡。然而,最大的挑戰是:車內只有受限的運算資源,於是,如何重新設計模型,使得預測效果維持的同時能減少運算複雜度,是新馳科技著重的目標。

高精度地圖建置 

為了建構高精度地圖,深度學習模型偵測出交通標誌與車道線,需要利用三角化之技術重建回三維空間。此外,由於新馳科技之道路資料是由眾包(crowdsourcing)方式搜集而成,我們需要大數據的處理以及數據品質檢測的機制,以合併來自不同車輛、不同角度、不同日期、不同天氣狀況下之道路資訊。 
gallery/500340318 copy

©2018 GallopWave. All rights reserved

CONTACT  +886-2-7751-5858  12F-3., No.1, Songgao Rd., Xinyi Dist., Taipei City 11073, Taiwan