인식(perception)은 전 세계에서 수집된 이미지로 훈련된 AI 네트워크를 통해 이루어지며, 트레이닝을 위해 클라우드에 저장됩니다. 특히 ADAS (첨단 운전자 지원 시스템) 모델을 향상시키기 위해 설계된, CPU와 GPU에 최적화된 소프트웨어 라이브러리를 통해 이러한 트레이닝 세트를 압축할 수 있습니다. 초기 데이터 세트는 보관할 수 있고 압축된 세트는 매일 사용할 수 있습니다. 디코딩은 트레이닝 중에 실시간으로 이루어집니다.

• 스토리지 비용 절감: 이미지 저장에 필요한 데이터의 양을 5~10배까지 줄일 수 있어 데이터 웨어하우스의 스토리지 비용을 크게 절감할 수 있습니다. 퍼블릭 클라우드에 대용량 데이터를 저장하는 것은 비용이 너무 많이 들고 비합리적입니다.
  
• ADAS 모델의 지속적인 개선: 비용 절감을 통해 예산 제약을 극복하고 시간이 지남에 따라 ADAS 모델을 지속적으로 개발하여 더 정확하고 더 높은 품질의 모델을 보장할 수 있습니다.

이미지는 전 세계를 여행하는 자동차에 의해 기록됩니다. 이 자동차에는 클라우드로 전송되기 전에 이미지를 저장하는 데이터 로거가 장착되어 있습니다. FPGA 또는 ASIC용 IP 코어 하드웨어와 소프트웨어 라이브러리를 사용하여 저장된 이미지를 압축할 수 있습니다.

• 비용 효율적인 저장: 압축을 통해 데이터 로거에 더 많은 이미지를 저장할 수 있어 스토리지 비용을 크게 절감할 수 있습니다.
• 업로드 시간 단축: 압축을 통해 클라우드로의 업로드 시간이 단축되어 전반적인 효율성이 향상됩니다.
• 원활한 데이터 증가: 클라우드에서 다시 압축하지 않고도 트레이닝 세트를 증가시킬 수 있으므로 데이터 관리 프로세스가 간소화됩니다.

시간이 지남에 따라 JPEG XS RAW는 자동차 이미지 전송의 사실상 표준이 될 것이며, 저전력 ASIC 솔루션을 사용하여 이미지 센서에 직접 통합될 수 있습니다. 디코딩은 GPU 라이브러리 및/또는 전용 하드웨어를 사용하여 ADAS 플랫폼에서 직접 수행할 수 있습니다.

• 전력 소비 감소: 중앙 프로세서로의 데이터 전송 속도를 줄이면 카메라 모듈에 필요한 전력이 감소하여 과열 문제를 방지할 수 있습니다.
• 향상된 이미지 품질: ECU는 더 이상 물리적 인터페이스의 대역폭에 의해 제한을 받지 않아 더 높은 해상도, 프레임 속도 또는 이미지 비트 심도가 가능해져 더 높은 품질의 인식이 가능해집니다.