高級輔助駕駛系統 (ADAS) 可提供解決方案，用以滿足駕乘人員對道路安全及出行體驗的更高要求。諸如車道偏離警告、自動剎車及泊車輔助等系統廣泛應用于當前的車型，甚至是功能更為強大的車道保持、塞車輔助及自適應巡航控制等系統的配套使用也讓未來的全自動駕駛車輛成為現實。

如今，車輛的很多系統使用的都是機器視覺。機器視覺采用傳統信號處理技術來檢測識別物體。

對于正熱衷于進一步提高拓展 ADAS 功能的汽車制造業而言，深度學習神經網絡開辟了令人興奮的研究途徑。為了實現從諸如高速公路全程自動駕駛儀的短時輔助模式到專職無人駕駛旅行的自動駕駛，汽車制造業一直在尋求讓響應速度更快、識別準確度更高的方法，而深度學習技術無疑為其指明了道路。

以知名品牌為首的汽車制造業正在深度學習神經網絡技術上進行投資，并向先進的計算企業、硅谷等技術引擎及學術界看齊。在中國，百度一直在此技術上保持領先。百度計劃在 2019 年將全自動汽車投入商用，并加大全自動汽車的批量生產力度，使其在 2021 年可廣泛投入使用。汽車制造業及技術領軍者之間的密切合作是嵌入式系統神經網絡發展的催化劑。這類神經網絡需要滿足汽車應用環境對系統大小、成本及功耗的要求。

輕型嵌入式神經網絡

卷積式神經網絡 (CNN) 的應用可分為三個階段：訓練、轉化及 CNN 在生產就緒解決方案中的執行。要想獲得一個高性價比、針對大規模車輛應用的高效結果，必須在每階段使用最為有利的系統。

訓練往往在線下通過基于 CPU 的系統、圖形處理器 (GPU) 或現場可編程門陣列 (FPGA) 來完成。由于計算功能強大且設計人員對其很熟悉，這些是用于神經網絡訓練的最為理想的系統。

在訓練階段，開發商利用諸如 Caffe 等的框架對 CNN 進行訓練及優化。參考圖像數據庫用于確定網絡中神經元的最佳權重參數。訓練結束即可采用傳統方法在 CPU、GPU 或 FPGA 上生成網絡及原型，尤其是執行浮點運算以確保最高的精確度。

作為一種車載使用解決方案，這種方法有一些明顯的缺點。運算效率低及成本高使其無法在大批量量產系統中使用。

CEVA 已經推出了另一種解決方案。這種解決方案可降低浮點運算的工作負荷，并在汽車應用可接受的功耗水平上獲得實時的處理性能表現。隨著全自動駕駛所需的計算技術的進一步發展，對關鍵功能進行加速的策略才能保證這些系統得到廣泛應用。