行业机器学习（ML）方法的出现为汽车领域，特别是高级驾驶辅助系统（ADAS）提供了新的可能性。这些方法主要集中在特定的问题上，从交通标志和灯光识别到行人检测。在大多数情况下，ADAS系统中发现的计算资源和功率预算受到限制，而大多数机器学习方法都是计算密集型的。通常的解决方案包括调整ML模型，以符合推理的内存和实时（RT）要求。一些模型很容易适应资源受限的硬件，如支持向量机，而其他模型，如神经网络，则需要更复杂的过程来适应所需的硬件。ADAS硬件(HW平台)是多样化的，从复杂的MPSoC CPU到经典的MCU、DPS和特定应用的FPGA和ASIC或特定的GPU平台(如NVIDIA家族的Tegra或Jetson)。因此，实现的ML模型的复杂度和所选平台之间存在着权衡，影响着性能指标：功能结果、能耗和速度（延迟和吞吐量）。本文以系统回顾的形式进行调查，分析已发表的将ML模型嵌入到ADAS应用的资源限制实现中的研究工作的范围，以及在ML性能、能耗和速度权衡方面的成就。

https://ieeexplore.ieee.org/abstract/document/9016213

Resource-Constrained Machine Learning.pdf