· 深度学习通过组合低层特征形成更加抽象的高层特征（或属性类别），只需简单的网络结构即可实现复杂函数的逼近
· 和传统机器学习算法相比，深度学习无需手工设计特征算子，能够从海量数据中自动学习特征并进行分类和判断；
· 自行科技把以CNN为代表的多种网络架构运用到ADAS产品中，完成和整合目标检测，语义分割，趋势预测等关键任务。
充分利用FPGA内部的并行资源，实现CNN并行加速优化及神经网络权值精度的优化；
采用定制化BNN网络和模块化的FPGA架构，实现大规模神经网络嵌入式化。
AI芯片设计能力
高度优化压缩过的PSPnet，可实现30fps的道路语义分割和目标检测
高次多项式拟合，实现高检出率、高精度、多车道识别的车道线检测
国内首家采用深度学习技术，实现驾驶员状态监控和身份识别
在极端环境仍能保持检测的鲁棒性和高精度，如面部遮挡、眼镜反光、头部偏转
过大、黑暗强光侧光逆光等
深度融合摄像头与毫米波雷达，图像和雷达数据同时参与运算，克服单传感器的局限性，增强信号冗余，提高检测的准确度和鲁棒性。
利用视觉特征构建三维地图，利用高精地图与组合惯导的数据全面修正定位，并双重认证提高自动驾驶系统的安全性
