深度學習

Elon Musk在2020年7月表示有信心將於2020年底實現全自動駕駛level 5的基礎功能要求，又再一次掀起全球自駕車界的熱潮。

由於深度學習技術的演進，機器處理原始資料的能力越來越強，高維度的影像處理問題不再像過去一樣需要仰賴繁雜的前處理特徵工程，原始影像就可直接做為模型的輸入。

深度學習網路在影像的應用上為近年來十分熱門的議題，專家學者歷次提出各種不同特性之神經網路，在不同的影像應用上提供解決方案。

隨著深度學習技術的快速進步，深度類神經網路已在電腦視覺和自然語言處理等的許多領域造成革命性變革，也隨著應用的普及，漸漸融入越來越多的消費者和工業產品的智能化功能，逐漸影響人們的日常體驗與生活。

深度學習與傳統人工智慧的經驗法則不同，是利用統計回歸等演算法，根據大量的具有標示意義的資料，進行訓練後，得到的數學模型結論。

得益於近年來人工智慧技術在影像識別領域的突破，智慧醫療(eHealth)已迎來一波新的革命，在人工智慧的導入協助下，許多疾病的診斷變得比以前更加快速及準確，這也使得醫療體系開始嘗試導入自動化、數據化的方式來輔助疾病的診斷和提升醫療的流程效率

隨著都市人口的愈加密集化，交通闢建速度遠不及車輛成長速度之下，交通事故已成為交通運輸過程中難以預測之意外事件，為有效防制道路交通事故發生，降低交通事故傷亡人數及事故嚴重程度，各國政府無不致力於交通安全防制的課題。

光達感測器的物件辨識穩定性研究為目前自動駕駛技術的關鍵項目之一，在運算速度、抗環境干擾能力與辨識精準度上為目前該技術發展的三個重要指標。本文將以自駕車系統中所需採用的光達感測技術做為探討的主題。

NVDLA軟硬體整合，是一件極需細心釐清的工程，其涵蓋的知識與層面包含硬體架構、硬體作動方式、作業系統資源管理方式、驅動程式架構以及應用程式架構規劃、網路架構以及效能分析等，十分廣泛。需具備眾多的預備知識、工程經驗之外，還需要一點運氣與除錯的靈感與經驗。