· 深度學習通過組合低層特征形成更加抽象的高層特征（或屬性類別），只需簡單的網絡結構即可實現復雜函數的逼近
· 和傳統機器學習算法相比，深度學習無需手工設計特征算子，能夠從海量數據中自動學習特征并進行分類和判斷；
· 自行科技把以CNN為代表的多種網絡架構運用到ADAS產品中，完成和整合目標檢測，語義分割，趨勢預測等關鍵任務。
充分利用FPGA內部的并行資源，實現CNN并行加速優化及神經網絡權值精度的優化；
采用定制化BNN網絡和模塊化的FPGA架構，實現大規模神經網絡嵌入式化。
AI芯片設計能力
高度優化壓縮過的PSPnet，可實現30fps的道路語義分割和目標檢測
高次多項式擬合，實現高檢出率、高精度、多車道識別的車道線檢測
國內首家采用深度學習技術，實現駕駛員狀態監控和身份識別
在極端環境仍能保持檢測的魯棒性和高精度，如面部遮擋、眼鏡反光、頭部偏轉
過大、黑暗強光側光逆光等
深度融合攝像頭與毫米波雷達，圖像和雷達數據同時參與運算，克服單傳感器的局限性，增強信號冗余，提高檢測的準確度和魯棒性。
利用視覺特征構建三維地圖，利用高精地圖與組合慣導的數據全面修正定位，并雙重認證提高自動駕駛系統的安全性
