本页介绍的产品处于样品阶段。此处的产品技术规格和信息如有变更，恕不另行通知。如需了解其他信息 ，请联系支持人员或当地的销售代表。
eIQ® Auto ML工具包能够在恩智浦汽车微控制器与微处理器(包括S32G汽车网络处理器、S32K通用微控制器及S32Z和S32E实时处理器)上，实现机器学习算法的高性能运行与快速部署。
工具包广泛兼容各类主流AI训练框架的AI容器格式。工具包中内含多种评估模型以及众多用于模型优化的模型准备服务，从而最大限度提升S32系列计算资源的利用效率。工具包支持多种AI后端，包含符合车规级质量标准的选项。
通过eIQ Auto运行时API实现应用集成，无需依赖特定模型、后端或S32硬件，可完全控制应用执行的位置与方式。
eIQ® Auto ML工具包配备了一个model zoo，用于快速评估。客户可以利用针对恩智浦器件定制的开源model zoo开发、测试和部署模型。该model zoo包括：
| 应用 | 任务 | 输入 | 算法 |
|---|---|---|---|
| 电池管理 | 荷电状态估计 | 电压/温度 | SoC LSTM、SoC GRU、SoC MLP |
| 驾驶员监测 | 驾驶员身份识别 驾驶员行为分类 |
CAN总线数据 | Drive2Vec GRU、Drive2Vec LSTM |
| 驾驶员监测 | 驾驶员意识分类 | 驾驶员面部图像(Driver facing image) | CNN |
| 紧急车辆检测 | 警报音识别 | 麦克风数据 | CNN (ResNet) + LSTM |
| 入侵检测 | 识别恶意网络活动 | IP记录 | LSTM |
| 机械健康状况 | 异常检测 | 麦克风数据 | LSTM |
| 机械健康状况 | 预测性维护 | 传感器读数 | TCN、LSTM |
| 路面分类 | 图像分类 | 道路图像 | CNN |
| 数据分析 | 驾驶员行为分析 | 数据分析 | RNN |
| 数据分析 | 发动机预测性维护 | 数据分析 | RNN |
| 数据分析 | BMS (SOC、电池温度预测) | 数据分析 | RNN |
| 音频处理 | 警报音检测 | 音频处理 | CNN + LSTM混合 |
| 数据分析 | 异常检测 | 数据分析 | Transformer (多头注意力网络) |
| 自动驾驶 | 基于视觉的路面分类 | 自动驾驶 | CNN (Resnet-18) |
如需了解其他信息 ，请联系支持人员或当地的销售代表。
1-5 / 10 硬件
