目前無論是電動車還是新車，無論是對面的蔚小理（NIO、小鵬、理想、比亞迪），還是歐美的新車，或多或少都有相關的保護行進間的車子之應用，比如降低車速、移動車身等。

要做這些應用，首先要確立的是機器必須學會檢測物體，如何用主要的表達函數來提高效果，降低損失函數的值，用什麼激活函數和逼近函數等等在。但這些都需要時間和耐心；如果你想涉足機器學習，可以先做一些應用體驗，然後再優化創建機器學習模塊。

下面是一個使用YOLO檢測模塊提醒司機保持安全車距的應用，於實際道路上測試。(Python Coding) 使用Asus ROG Flow Z13 GZ301VV在實際道路上測試惡劣天氣和弱光的情況：

其他情境，晚上車多光線不佳，用同一台機器模擬是否可以提醒司機保持車距：
https://youtu.be/vAe6PHg-NWA

有優點也有缺點，後面會講到。

使用Yolo做實時檢測實驗，實驗目的是提醒用戶在車流中保持距離。
出於以下動機：

1. 因為換了電動機車，不知道為什麼新車的音量比舊車低很多，操作一段時間後感覺像坐捷運一樣快睡著了。
2. 騎車想看環境、找店鋪、找地址，但不能100%關注前方；轉頭至側面和後方與第三人說話等等。
3. 開車時低頭撿東西時、或手機響了想按一下、回頭和被載人小孩說話等等。

接下來，描述應用程序的流程內容。

這里首先（鏈接）參考改善YOLO的使用
然後判斷方式如下：

打開攝像頭，即時抓取圖像，傳給YOLO模塊進行判斷。
紫色決策塊 “detect object Is in Range of detecting” 判斷物體是否滿足檢測條件。檢測到的條件將有兩個線性方程。如果兩者都在這個線性方程後面的塊中，即滿足要求被檢測到，立即用框顏色標記。

動態設置兩個線性方程式，下圖左邊綠線，右邊藍線，線性方程 “ ax+b = y”。 所謂動態，為隨鏡頭狀況調整參數，自動算出二條線的個別 a、b 值，供接下來計算判斷。

從兩側駛來的汽車通常不會越過這兩條線。即使有，在線路中的比例也太小，不能滿足檢測要求；

如果左側車往前走的越遠越快，勢必面積越來越小，對我們相對越安全。

接下來解釋一下流程圖中紅色的決策塊，“Whether the car object in this screen is a car object in the previous round of screen?”，判斷當前對像是否也存在於上一輪畫面中，檢測到，如果是，保存這輛車的對象；不管是不是，都必須送到下一個綠色決策塊。

以下示意同一物件的判斷，前提是擷取的螢幕每幀是連續的。紅色表示下一幀的物件，藍色表示原物件。在連續圖片的狀況下，紅色重疊在藍色原物件，勢必是同一物件。

接下來是流程圖中綠色的決策塊，“Whether the vehicle object is within the dangerous vehicle distance and is closer to you than the previous vehicle object?” 如果危險車距越來越近，則會進行標記提示。

如何判斷危險區域的車輛物體離你越來越近？可以實現計算的面積。如果物體的可視面積越來越大，也意味著物體在物理上離自己越來越近。

詳細過程還是需要根據上面的流程圖。
最後，如果畫面上的每個物件都判斷完畢，馬上從攝影機取即時影像，做新的迭代過程。

因此，非常需要高速計算設備的輔助。恰好華碩的遊戲平板也能滿足這種需求。
型號為華碩 ROG Flow Z13 GZ301VV
下面的鏈接顯示計算需要散熱。這款電競平板設計巧妙，出風口朝上，可以將高速計算芯片和GPU合二為一。

最後總結一下不足和需要改進的地方：

1. 車子的震動還是會影響判斷，但是如果誤差範圍設置得當，影響不會太大。
2. 鏡頭的廣角，拍攝的圖像是否會失真，需要調整。鏡頭只有一個判斷前方，如果要判斷車身周圍需要多顆鏡頭輔助。
3. Yolo模塊很棒，但是晚上偶爾會出現一點誤判，如何減少誤判需要調整。
4. 等紅綠燈時，如果車在前排且靠近斑馬線，可能會考慮到前方行駛的車輛和行人。
   原因是無法判斷自己的車輛是否已經停止，需要車商提供API獲取車輛相關信息，如車速、控制速度等。
   5、應用的判斷參數可以還是要優化的。

優點是：

1. 在YOLO模塊的基礎上，前方主車提醒司機保持車距，精度高。
2. 在行動的時候，YOLO的檢測依然靈敏。
3. 應用程序可以通過高速計算的平板設備移動到其他車輛、電動機車等。無需購買新車即可體驗機器學習的應用功能。