 导读： 在自动驾驶领域，地平线机器人要怎么落地嵌入式人工智能？  之前，我们预告了CES上地平线和英特尔联合展示ADAS系统的消息。这是业界首次在Intel的FPGA平台上展现深度学习计算性能，也是地平线首次对外展示其处理器架构IP研发的最新成果。 美国太平洋时间1月5日，地平线将样机带到CES现场展示，地平线创始人、CEO余凯介绍了地平线“嵌入式人工智能”在自动驾驶领域的一系列规划，并公布了第一代嵌入式人工智能处理器架构IP——高斯架构。  与英特尔合作亮相CES 简单来说，本次地平线和英特尔联合展示的ADAS产品，是地平线在英特尔的FPGA平台上实现了自主研发的低功耗深度神经网络处理器架构IP，并且在上层运行了地平线自己的深度学习算法，整个嵌入式人工智能的方案设计，也都出自地平线之手。 系统可实现高速公路和市区道路场景下为司机提供驾驶辅助，能同时对车辆、车道线，行人，以及可行驶区域实时检测、识别。车云菌注意观察了一下识别跟踪的效果。两个场景都是白天光照较好的情况，在市区道路场景下，系统可以识别行人、骑行者以及异形车，基本没有出现错误。在下雨天雨刮开启时，也没有出现框选错误。  △城市环境  △高速环境 在此之前，地平线公开对外展示ADAS系统是去年3月智车优行“奇点汽车”发布会，当时展示的是真车环境高速公路行驶，同时实现车道线/车辆/行人检测的ADAS（智能驾驶辅助系统）产品原型系统。 单从功能上来看，地平线在算法上做了升级，可以应对市区道路这种更加复杂的路况。不过余凯表示，最大的不同在于，“奇点汽车”发布会上是用固定神经网络来实现功能，与英特尔合作的样件上，搭载了一个深度神经网络架构。整个架构包含了6种模型实时检测识别，可以灵活配置选用来适应各种不同的场景。低功耗是这款核心处理器的最大特点，据余凯介绍大约仅为500毫瓦。 什么是“嵌入式人工智能”？ 上文提到的“嵌入式人工智能”是地平线整理自身业务之后，找到的一个定位。这个概念与当前联网状态下的人工智能相对。目前大部分人通过联网和数据中心的大规模计算，来实现人工智能。“嵌入式人工智能” 要做的，是在本地进行实时环境感知、人机交互与决策控制。 余凯曾在接受采访时，举例说明了嵌入式人工智能在汽车领域应用的重要意义。比如当孩子横穿马路，如果自动驾驶系统感知到后需要把信号传送到云端再做决策，会相比本地运算产生更长时延，假如遇到当时网络不稳定，结果将不可想象。 众所周知，人工智能与计算资源高度相关。深度学习算法对硬件的计算性能、功耗、以及成本把控都会提出更高要求。除了开发出一款低功耗平台，算法本身的优化也很关键，软硬件结合才能最好提升性能。一个典型的例子是以前的苹果手机，配置总是比安卓低，但是在性能上依旧出色，最主要的原因就是软硬件深度绑定。 紧跟硬件做软件，地平线在嵌入式人工智能上的规划是：提供“处理器+算法”的嵌入式人工智能解决方案，包含算法、软件、芯片在一起的整体打包。同时，地平线正在做一个深度学习处理器（BPU，Brain Processor Unit）IP。 余凯在CES现场公布了第一代嵌入式人工智能处理器架构IP——高斯架构。IP是一种处理器架构设计，可以被芯片企业使用，放到设计的自动驾驶芯片中。按照自动驾驶分级，地平线将陆续推出BPU的第二代伯努利架构和第三代贝叶斯架构，从而支持更高级别的自动驾驶乃至无人驾驶功能。本次CES展会上，地平线与英特尔联合推出的ADAS系统便基于高斯架构进行研发。  △BPU处理器 同时，地平线还基于嵌入式人工智能处理器架构IP自建平台，目前基于高斯架构自建了“雨果1.0”。余凯告诉车云菌，整个雨果平台的路线也会按照自动驾驶分级迭代版本，一开始会侧重感知认知，接着会有三维建模功能，未来会把决策做得更强。同时处理器架构也会往前发展，比如现在对深度神经处理比较多，未来随着决策越来越重，会增加对贝叶斯网络的支持比重。  △雨果路线图 “嵌入式人工智能”的技术路线 整个自动驾驶架构由感知、规划决策、控制三个阶段组成。在一整条链路里，地平线的业务主要涉及前两个部分。具体来说，就是从传感器信号输入后到给到执行器信号的整个过程，都由地平线来做。如果再细细划分可以分为感知、建模、路径规划三个步骤。 1.感知 地平线研发的算法具有单网络多输出的特点：在输入端只需要单一数据源，就可以用同一个网络获得不同输出。 比如输入一张包含多个要素的照片，只要通过神经网络架构，就能输出车道线、车辆和行人，这在以前的传统算法和早期神经网络时是不能做到的。因为在传统计算机视觉中，识别车辆的算法依靠的是车辆特征，这些特征在识别行人时不能通用。因此单网络多输出的最大好处是可以减少资源占用，运算速度也有很大提升。 2.建模 自动驾驶汽车利用摄像头、激光雷达、毫米波雷达相互配合，来看清本车周围环境。不同传感器会采集到相同的信息（比如激光雷达和毫米波雷达都能直接采集到前车距离信息），也会采到独有的信息（比如摄像头更擅长采集的红绿灯信息）。 通过多个传感器的信息融合，进行与物理传感器无关的语义环境建模。地平线会定义不同类型数据的接口，比如速度、距离、信号灯状态等等。毫米波雷达可以拿到3类数据、激光雷达可以拿到4类、摄像头可以拿到4类，所有传感器都把信息对应输入。 后期算法可以对不同传感器给出的同类信息做冗余，也可以选择不同维度的信息实现特定功能。比如获得速度和距离信息后，就能进一步定义AEB。这种传感器数据分拣最大的好处是免受传感器数据类型的影响，定义功能也更加灵活。 3.决策和路径规划 在决策和路径规划方面，地平线强调的一点是把“大黑箱”尽量做透明。 众所周知，深度学习是一个端到端的过程，优点是输入一个图像，就能输出最终识别检测的结果。和传统计算机视觉的算法相比，不需要过多人工介入。由此带来的缺点是，我们没有办法看到深度学习的中间结果，因此被称为“黑箱”。假如自动驾驶汽车使用深度学习算法并发生事故，便很难查找具体问题，会存在安全隐患。 地平线的思路就是把大的黑箱尽量做得透明化，当最终输出出现问题时，可以发现在哪个节点出了问题。具体做法上，地平线使用了贝叶斯网络，在各个节点上使用神经网络。可以对整个贝叶斯网络训练，性能、便利性和端到端的学习没有太大差别，但是计算的中间结果都清晰可见，能针对性地进行调整，让问题追溯更透明。 “嵌入式人工智能”的商业模式 在汽车方向嵌入式人工智能的尝试上，地平线的目标是做嵌入式人工智能的上游供应商，车厂、Tier1供应商都是合作伙伴。已经公开的合作伙伴中有博世和奇点汽车，这次地平线邂逅英特尔，除了由来已久良好关系的原因，两家公司的合作也是自动驾驶发展过程中，技术日渐细分的结果。 第一，在神经网络芯片这方面，算法占有相当重要的部分，所需的软件算法解决方案超出了芯片公司的边界，像英特尔这样的芯片厂商并不一定有更好的解决方案。因而需要地平线这样的企业参与其中。 第二，自动驾驶背景下整个软件都在被重构，在软件还没有成为标准之前，制作芯片是一个很危险的事情。余凯本人也在接受媒体采访时表示，做芯片这件事比自己想的要复杂很多：算法要出来，需要什么计算资源和架构，硬件设计验证，后端流片……整个软硬件研发要3年以上研发周期。因此选择芯片厂商的低功耗处理器，在不同平台之上做自动驾驶解决方案会更快进入市场。 第三，归根结底，自动驾驶领域最终的决定权还是在车企手中。地平线并不需要造任何一款芯片，自行研发的雨果平台更多将用来验证设计，最终还是希望出售自己的处理器IP，把这部分的设计放到别的芯片里面去，每一家芯片提供商都有机会成为自己的合作伙伴。 可以看出来，地平线给自己找到了一个小众的切入口，并且留足了资源余地。但是目前芯片公司也在构建自身的软件实力，自动驾驶与车辆的联系紧密，也让主机厂在算法等方面投入了更多精力，这些都会与地平线的业务存在交集。 但余凯本人相信产业链是会逐渐细分的。自动驾驶所需的技术垂直而专业，每个角色一定会找到一个点，各自做各自擅长的事情，地平线的点就是把人工智能做得足够好。 最后他向我们做了一个预告：地平线在2017年会专门推出流片的处理器架构，效率会比当前处理器架构高1~2个数量级别。在拥有一整套产品之后，地平线会推进路测，包括IP授权在内的商务也将同步展开。 |
|
|
来自： cheyunwang > 《待分类》
