技术

安法产品的技术研发严格按照国际/国家标准进行，并经过大量实际路测进行优化，保证产品的可靠性。

安法的研究员和工程师，将深度学习技术与传统视觉算法相结合，实现了复杂场景（各类光照、天气、路况等）下，对多种目标的准确检测、识别、分析，同时算法足够高效，占用极低的系统运算资源。

安法视觉感知技术，是未来自动驾驶的基石，采用视觉的优势在于能以较低的成本实现ADAS，能极大促进自动驾驶的到来。

深度学习是机器学习中一种基于数据进行表征学习的方法。把原始数据通过简单而非线性的模型转变成高层次、更抽象的表达。而卷积神经网络（CNN）是Yann LeCun等人于2006年提出的，第一个真正成功训练多层网络结构的深度学习算法，它具有提取反映数据本质的隐性特征及可扩展性的优越性能，可被用于几乎全部的目标识别分类领域，例如人脸识别、行人识别、交通信号识别、图像解析等。在车辆检测方面，其区别于浅层学习的突出优点之一在于算法的可扩展性，能进一步扩展识别交通环境中的多类目标。2015年，Yann LeCun受邀在《Nature》上发表深度学习技术综述，CNN被Google、Facebook等公认为人工智能领域的重大突破。因此将CNN延伸至道路车辆检测这一高级安全辅助驾驶（ADAS）领域的关键环节，有利于推动进一步提升自动驾驶汽车技术的发展。

鉴于深度学习-CNN在人工智能领域的突出贡献，安法提出了一种基于CNN的算法架构，用于前后方车辆检测，行人识别，动物识别等应用，以弥补单目视觉算法在环境适应性、算法复杂等不足，并有利于道路目标检测的扩展。