智能網(wǎng)聯(lián)化

燈光控制模塊將作為整車網(wǎng)絡的一個節(jié)點，不再是孤立的燈具電子模塊，通過與整車總線互聯(lián)互通，大燈就有了自己的“思維”——只照亮該照亮的地方，燈具電子網(wǎng)聯(lián)化控制會成為一個發(fā)展趨勢。

實時自適應照明，是智能燈光發(fā)展的一個階段，也是車用網(wǎng)聯(lián)化的一個成功應用。從照明來講，100像素以下的ADB足以實現(xiàn)車燈照明，每個像素均由單獨LED芯片精確控制0％－100％的光強，對不同交通情況、天氣狀況、道路路況、自身車況所需要的配光分布做出調(diào)整。當有其他車輛進入車燈的光分布區(qū)域時，模塊會有選擇性地動態(tài)掩蔽對方車輛所在區(qū)域以防止眩目。

數(shù)字高分辨光處理技術(shù)，能提供萬級以上，甚至百萬級像素，能清晰投影復雜的、帶有曲線的圖形，確保光順的截止線拐點，實現(xiàn)沒有鋸齒的截止線。DLP把光用到極致，在進行來車會車遮蔽的時候，確定需要遮蔽的區(qū)域以及滿足要求的最小遮蔽窗口，減少照明范圍的損失，適應未來有人／無人駕駛共同存在的環(huán)境。

在實現(xiàn)照明功能的同時，通過與攝像頭、導航以及雷達技術(shù)的融合，以投影的方式實現(xiàn)信息的傳遞，增強車與人之間的互動、汽車與其他道路使用者的溝通。為后續(xù)智能駕駛提供更加安全和便捷的夜間行駛“光服務”，增強多種場景的安全駕駛體驗。

信息交互化

交互設(shè)計致力于為特定的汽車應用場景設(shè)計最優(yōu)的解決方案。根據(jù)各個駕駛階段的有用信息，做出合理決策和操作，通過影像、圖形、聲音等手段，在友好的交互界面上體現(xiàn)信息將會是信息交互化發(fā)展的必然趨勢。以DLP為例，除了照亮該照亮的地方（高精度ADB遮蔽），甚至通過燈光給司機打信號，比如，交互信號有： 導航信息路面投射，限速提示，行人互動信息提示，行人位置跟蹤提示，行駛意圖信號投影，預測行駛區(qū)域提示等。信息交互化作為智能駕駛技術(shù)，將有效提高汽車駕乘的安全性，通過制造不同場景的交互方案，將用戶的產(chǎn)品體驗做到極致。

用戶界面?zhèn)€性化

用戶界面是信息交互的表現(xiàn)途徑，是讓產(chǎn)品好用且使人愉悅的技術(shù)。用戶界面設(shè)計時，既要了解用戶在同產(chǎn)品交互時彼此的行為，又要了解用戶和他們的期望，用戶界面必須具有易用性和良好的用戶體驗性。在不影響安全、不違背法規(guī)的前提下，將來會有越來越多車型，開放用戶界面的部分設(shè)置功能，將個性化配置權(quán)限釋放給用戶，用戶通過本地或OTA方式更新個性化的配置。比如，交互信息的觸發(fā)使能、觸發(fā)條件、信息內(nèi)容，個性化出行、音樂、智能停車、 電臺推薦等。

技術(shù)需求

作為汽車照明的技術(shù)領(lǐng)先者，華域視覺擁有清晰的戰(zhàn)略方向，建立了智能化模塊的開發(fā)能力和體系，儲備了前沿技術(shù)，可為客戶提供創(chuàng)新、先進的產(chǎn)品及解決方案。

嵌入式系統(tǒng)研發(fā)能力

電子模塊開發(fā)離不開軟件，嵌入式系統(tǒng)開發(fā)的能力建設(shè)，是車用零件向電氣化、智能化、網(wǎng)聯(lián)化進化的必要條件。

軟件架構(gòu)需具備跨平臺性，實時性，圖形化，視覺識別，可擴展性，安全性等。其對嵌入式系統(tǒng)的軟硬件架構(gòu)提出了標準化需求，通過拆分硬件和軟件，創(chuàng)造出一種全新的模塊化軟件體系，為客戶提供一個具有高度動態(tài)性和靈活性的平臺，使研發(fā)人員專注于算法、模型等應用軟件的開發(fā)，利于需求確認、仿真分析、快速原型、HIL驗證，利于迭代改進，利于最終方案的快速凍結(jié)。

機器視覺算法研發(fā)能力

用深度學習為機器視覺賦能，解決人類視覺的一個痛點：在黑暗或惡劣的天氣條件下，人類具有有限的視力和反應能力。

深度學習的優(yōu)勢主要是自學習特征。深度學習如果有足夠多的樣本用于訓練，就能夠使系統(tǒng)的感知能力足夠高； 傳統(tǒng)的計算機視覺算法需要手工提取特征，很多時候還需專家知識、算法的魯棒性設(shè)計，非常困難，很難保證魯棒性，另外還需大量的調(diào)試、非常耗時。

深度學習一般包括四種類型的神經(jīng)網(wǎng)絡層：輸入層、卷積層、池化層、輸出層。隨著網(wǎng)絡層和節(jié)點數(shù)的增加，可以表達更細、更多的識別目標特征，網(wǎng)絡結(jié)構(gòu)層數(shù)越多，檢測精度越精確。

卷積層和池化層是深度學習的核心處理層。卷積層主要是用于負責物體特征的提?。怀鼗瘜又饕秦撠煵蓸?。

深度學習主要包括兩方面內(nèi)容：一個是訓練，一個是檢測。訓練一般主要是離線進行，就是將采集到的樣本輸入到訓練的網(wǎng)絡中。訓練網(wǎng)絡進行前向輸出，再利用標定信息進行反饋，最后輸出模型，這個模型再導入到檢測的網(wǎng)絡中，檢測網(wǎng)絡就可以對輸入的視頻和圖像進行檢測和識別。