智能交通边缘计算平台-智能交通边缘计算-速核电子科技有限公司

边缘设备智能化的基本要求

将计算基础架构从数据中心扩展到边缘这一主张，得到了越来越广泛的共识。诸如联邦学习之类的概念，通过共享的预测模型进行协作学习这种方式，将标准集中式机器学习(ml)方法从数据中心转移到手机——在将数据存储到云的需求中，消解了对可实现ml能力的要求。5而各种-神经网络(dnn)，每天都在发展、以-地赋能基于边缘的处理功能。成功地将智能带到边缘设备也带来了与传统的ai不同的商机——例如：个性化购物，智能交通边缘计算平台，基于ai的助手;或在制造设施中进行预测分析。边缘/雾计算的应用，比如：车辆的自动驾驶;需要复杂反馈机制的机器人技术的远程控制;甚至是使用ml、可-地管理可再生能源的智能电网终端设备;以及在电网中对本地电能使用进行预测分析。对于此类应用，成功实施ai的主要决定因素包括：成本效益低功耗可重构性/灵活性尺寸

边缘计算的兴起

从那时起，边缘计算能力一直在提高。

2017年，智能交通边缘计算产品，为了扩展低性能的计算设备，movidius神经计算棒以低于100美元的价格，仅需0.5w的电量便能进行每秒一千亿次浮点计算。

2018年，华为推出了麒麟980处理器，在0.1w的电量下可以完成每秒五千亿次的浮点计算。其他供应商紧随其后。谷歌发布了edge tpu units，智能交通边缘计算，瑞芯微（rockchip）公布了rk3399。这两个约每秒能够处理3万亿次浮点计算，成本在100美元左右。

2019年，智能交通边缘计算系统，带有-技术硬件加速的器（-是神经网络）的特定微型计算机得到普遍使用。所有关键的硬件厂商都陆续发布了ai软件栈的边缘优化版本，这进一步提高了性能。目前，一般使用的ai板有，谷歌的edge tpu——使用专门的asic芯片制作而成用以处理ai的预测推理功能。价格低于100美元的英伟达jetson nano 配备了128个英伟达cuda。瑞芯微发布的 rk3399 pro——带有神经网络处理器的开发板（其性能甚至略优于英伟达jetson nano）。

物联网技术的大幅提高让我们得以发展nbox——这款边缘计算设备不仅能够借助多达12个通道记录高音频，并且还可以通过边缘计算实现-。所谓边缘计算，是指大多数处理过程将通过本地设备实现而无需交由云端完成。