聚積產品系列：

MBI6655GSBMBI6656GSBMBI6661GSD MBI6651GSD

MBI6651GMS MBI6651GST MBI6652GST MBI6652GMS

MBI6655GD MBI6655GD MBI6653GD MBI6657GST

MBI6657GSB等更多型號，歡迎來電咨詢0755-83259945陳小姐13714441972

MBI6657為高效率、恒電流、降壓型直流對直流輸換器，僅須透過5個外接組件即可為大電流的LED照明提供穩定之電流。MBI6657的Hysteretic PFM模式操作無須額外補償器設計，可簡化電路設計。

MBI6657的輸出電流可透過不同阻值的外接電阻來調整輸出電流大小，也可利用脈寬調變(Pulse Width Modulation, PWM)來進行調光控制。此外，MBI6657也提供了模擬調光，讓用戶可以透過直流電壓調變(DC voltage controlled)得到高效率且高線性度的電流輸出。

MBI6657 的特色還包括一系列完整的芯片保護裝置。啟動過流保護裝置(Start-Up)功能可限制芯片因電源啟動時所產生的突波電流。過熱保護關閉(Thermal Shutdown)和過熱軟保護(Thermal Foldback)裝置可確保系統穩定度，且蕭特基二極管短路保護、LED開路與短路保護機制也可避免芯片在不正常運作的情況下損毀。MBI6657目前除了提供SOT-23-6L小封裝之外，還提供了散熱性佳的SOT-89-5L封裝方便使用者選擇。

應用：

-車載照明
- 招牌與戶外裝飾照明
- 高功率LED照明應用

- 恒流照明源

現貨熱銷LED驅動IC：OCP8155 OCP8150 OCP2185 L6562D LM3445 LM3401 CL6808 OB3330XCP OCP8155OB3392K OCP8152 OCP8151 OCP2185 PAM2861 AL8808 HL8188 CL6807 PT4115 PT4209 XL6005 XL6009XL1530 HV9910 HV9961 SY5840 SY5800 SY5830等；有需要的朋友請聯系或QQ:30123310 電話：0755-83259945 手機：13714441972陳小姐

SM明微系列產品：SM2097E SM2092E SM2202P SM2316E SM2082K SM2318E SM2135E SM2123E SM2212EASM2213EA SM2200/3P SM2087 SM2315E SM2083 SM2086 SM2082C SM2082D SM2082G大量原裝正品現貨，歡迎來電咨詢0755-83224649陳小姐

OC8155 OCP8165 OCP8153 OCP8152 OCP2185等OCS美國燦瑞一級代理商，深圳市哲瀚電子科技公司大量現貨，專營LED驅動隔離與非隔離等芯片技術及方案有需求可以來電0755-83259945 13714441972 陳小姐 QQ：3012323310

士蘭微LED驅動IC優勢產品推薦：SD6800、SD6800B、SD6802S、SD6804S、SD6807D、SD6601S、SD6601A、SD6602S、SD6900、SD6902S、SD6904S、SD6701S、SD6701A

SD6702SSD6704S、SD6910

陜西亞成微系列開關電源驅動芯片LED照明驅動系列：RM3253S、RM3253D、RM3263S、RM3263D、RM3261S、RM3261D、RM3262D、RM3260T、RM3260D、RM6203、RM6204、RM6221S、RM6221D、RM6222D、RM6220T、RM6401S、RM6401S、RM337X(1/2/3)、RM3370T、RM6901SPWM功率開關芯片系列：RM6203D、RM6204D、RM6221S、RM6221D、RM6222D；PWM控制芯片系列：RM6220TPFM功率開關芯片系列：RM3253S、RM3253D、RM3263S、RM3263D、RM3261S、RM3261D、RM3262D ； PFM控制芯片系列：RM3252T、RM3260T、RM3260DQR控制芯片系列：RM6401S、RM6401D ；PFC+QR+PWM控制芯片系列：RM6901S、RM6901D

AI 技術在理解層和決策層中賦能自動駕駛

自動駕駛是一種類人駕駛，即計算機模擬人類的駕駛行為，其功能的實現同樣分為感知、理解、決策和執行四個層次，由各類傳感器、ECU和執行器來實現。

在整個自動駕駛實現的流程中，1)感知層主要依賴激光雷達和攝像頭等傳感器設備所采集的信息感知汽車周圍環境，以硬件設備的精確度、可靠性為主要的衡量標準。2)執行層通過汽車執行器，包括油門、轉向和制動(剎車)等，實現車輛決策層輸出的加速、轉向和制動等決策，主要依靠機械技術實現。3)AI技術主要應用于理解層和決策層，擔任駕駛汽車“大腦”的角色。

理解層對感知層數據進行解析，AI 算法技術優勢盡現

依據感知層傳感器的不同，理解層主要完成兩個任務：車輛的高精度定位，以及物體識別和追蹤。

高精度定位任務的實現主要是通過GPS或視覺的算法實現非常精準的車輛定位，目前主要的技術路線有三種：慣性傳感器(IMU)和GPS定位、基于視覺里程計算法定位、基于雷達的定位。

AI 算法在理解層最主要的應用是物體的識別和追蹤。物體跟蹤和識別包括靜態物體識別和動態物體識別，對于動態物體還需要對其軌跡進行追蹤，基于追蹤的結果預測其下一步的位臵，計算出安全的行車空間。自動駕駛車輛需要實時進行多個物體的識別和追蹤，典型的物體包括車輛、行人、自行車等。

激光雷達和計算機視覺是實現物體識別/跟蹤的兩種途徑，Google 和Tesla分別代表了這兩種不同的技術路線。

激光雷達生成的點云數據包含物體的3D 輪廓信息，同時通過強度掃描成像獲取物體的反射率，因此可以輕易分辨出草地，樹木，建筑物，路燈，混凝土，車輛等。識別軟件算法簡單，很容易達到實時性的要求。

計算機視覺的方法是利用深度學習對攝像頭圖像進行處理，從像素層面的顏色、偏移和距離信息提取物體層面的空間位臵(立體視覺法)和運動軌跡(光流法)。基于視覺的物體識別和跟蹤是當前的研究熱點，但是總體來說輸出一般是有噪音，如物體的識別有可能不穩定，可能有短暫誤識別等。

決策層如何應對復雜情形是自動駕駛的關鍵瓶頸

在理解層的基礎上，決策層解決的問題是如何控制汽車行為以達到駕駛目標。在一個具有障礙物并且動態變化的環境中，按照一定的評價條件尋找一條從起始狀態到目標狀態的無碰撞路徑。自動駕駛汽車的決策包括全局性導航規劃、駕駛行為決策和運動軌跡規劃。1)全局導航規劃在已知電子地圖、路網以及宏觀交通信息等先驗信息下，根據某優化目標，選擇不同的道路。2)駕駛行為決策根據當前交通狀況、交通法規、結構化道路約束，決定車輛的目標位臵，抽象化為不同的駕駛行為，如變換車道、路口轉向等。3)運動軌跡規劃是基于駕駛行為決策，躲避障礙物，對到達目標位臵的路線進行規劃。

基于規則的傳統算法，在應對復雜情形下的決策仍存在挑戰。道路上的交通參與者(車輛、行人、自行車等)的狀態和意圖具有不確定性，決策算法需要在這樣的環境下，以較短的時間進行行為決策，無疑是個技術難點。當前自動駕駛的決策算法多基于規則，如有限狀態機算法、決策樹等算法等。需要開發者利用專業知識對特定問題進行抽象和建模，實際上這種方式缺乏靈活性，特別是在復雜情形下，交通參與者的不確定性更高，算法更是難以做到面面俱到。

強化學習在自動駕駛決策層具有應用前景。強化學習的目的是通過和環境交互學習到如何在相應的觀測中采取最優行為。行為的好壞可以通過環境給的獎勵來確定。不同的環境有不同的觀測和獎勵。例如，駕駛中環境觀測是攝像頭和激光雷達采集到的周圍環境的圖像和點云，以及其他的傳感器的輸出。駕駛中的環境的獎勵根據任務的不同，可以通過到達終點的速度、舒適度和安全性等指標確定。當前增強學習的算法在自動駕駛汽車決策上的研究還比較初步，有試錯次數多、算法可解釋性差等弱點。

深度學習算法在自動駕駛中廣泛應用，端到端自動駕駛仍具挑戰

車輛的道路行駛環境非常復雜，需要處理大量非結構化數據。深度學習算法能夠高效的處理非結構化數據，并自動地從訓練樣本中學習特征，當訓練樣本足夠大時，算法能夠處理遇到的新的狀況以應對復雜決策問題。以基本的車輛識別問題為例，在用足夠多的汽車圖像對算法進行訓練后，算法具備了識別汽車的能力。

深度學習在自動駕駛中的應用可以分為兩個學派：端到端式(End-to-End architecture)和問題拆解式(SemanticAbstraction)。與人類相比，在端到端式的構架中，一個DNN網絡模擬了人的整個駕駛行為;而在問題拆解式的構架中，每個DNN網絡僅模擬了人的一部分駕駛行為。

端對端式不需要人工將問題進行拆解，只需要一個深度神經網絡(DNN)，在經過訓練后，基于傳感器的輸入信息(如照片)，直接對車輛的加減速和轉向等進行控制。

問題拆解式需要人工將問題進行拆解，分別訓練多個DNN網絡，實現諸如車輛識別、道路識別、交通信號燈識別等功能。然后基于各個DNN網絡的輸出，再對車輛的加減速和轉向進行控制。

目前，問題拆解式深度學習在自動駕駛領域得到廣泛的應用，主要是進行圖像識別。如識別行駛途中遇到的車輛、行人、地上的交通標志線、交通信號燈等。在KITTI2數據集上，排名第一的車輛識別算法已經能夠達到92.65%的準確率3。以色列Mobileye是這個領域的領軍人物，其推出的基于攝像頭的圖像識別解決方案EyeQ得到了業內的認可，被10多家汽車制造商超過100種車型所采用。眾多創業公司也試圖從這個角度切入自動駕駛領域，提供圖像識別算法，如商湯科技、圖森互聯、地平線科技等。

NVIDIA在測試車上通過端到端式的深度學習實現了對車輛轉向的控制，百度在2017年CES上推出了開源的端對端的自動駕駛平臺Road Hackers及訓練數據。目前端到端方案需要大量的數據進行模型訓練(模型參數更多)，算法的可解釋性變差，難以進行錯誤排查，在可靠性上也存在一定問題，仍處在較為初級的階段。