|
2018年4月12日，由北京千方科技股份有限公司承办的“中国人工智能+交通发展论坛”在北京隆重召开。浙江宇视科技有限公司首席架构师姚华作《交通+AI的探索与实践》主题演讲。 以下文字整理自现场实录。  今天我主要讲讲AI和交通，作为设备厂商在落地过程中的一些探索和实践。  AI对安防、交通以及视频分析带来了非常大的变革。AI的出现，让安防IT技术从2.0升级到3.0版，从看得清、看得广，到看得快，看得懂，基于AI的智能分析让识别更快，大数据应用让我们看得懂。未来视频应用会越分越细，现在普遍采用1080P/30帧，交通监控设备已经朝1080P/60帧发展，效果会更好，发展非常快。AI对视频监控行业的促进是非常深远的。 机器视觉SMV战略 宇视科技在2016年提出了安防的机器视觉战略SMV(Security Machine Vision)，涵盖产品、算力、架构和算法几个维度。我们最早在2005年把IT和SMV放到监控里，2008年提出云监控、易安防，之后是安防IT化。宇视科技一直以系统观的角度解决安防和交通的痛点问题，所以在产品方面也有一些突破。 在AI的系统观上，我们认为不仅仅是算法算力的提升，对整个行业和系统来说都是提升。如图所示，从前端的采集到传输中，到存储，到图像的视频分析、大数据的研判，大数据的控制要求，都会带来变化。在五年前，车辆大数据分析比较流行，到现在汇集百亿数据时，突然发现原有数据处理架构已经不行了，到AI时代，各种各样的数据混合在一起，原有架构不行了，就推倒重来。后来就升级到SMV2.0，在业务落地的时候有很多需要我们解决的具体问题。 算力策略 算力是依靠超强的芯片能力。现在智能芯片有很多，其实芯片一直在发展，有两个方向，一个是通用的，还有一个是把某种算法精准固化以后变成SOC的芯片，算法的迭代速度也非常快。我想说的是，从我们近几年的工作实践中看，其实GPU以及实际业务中某种智能交通的算法，都在飞快的迭代。所以说在芯片中的算法，有很多种变量。举个例子，有两个方向的GPU，不同的厂家都会选出相对比较适合的，比如算力小一些，但是功耗也小一些，放在前端更适合一些。对算力来说，作为AI的核心其变化在这个时代会非常快。对我们来说，唯一的选择是紧跟用户，给芯片厂商提一些要求，跟一些独角兽CV芯片企业合作，每个芯片其算法适配的工作量非常大。 算法 大家都在谈算法，其实目前的算法框架开源的，入门门槛非常低。2015年底，谷歌开源了内部使用的深度学习框架TensorFlow，2016年底，宇视全面掌握CNN深度学习算法。现在各主流厂家数据量趋于相等，我们掌握算法以后，大家就跑到各种各样的论坛刷记录，各个安防厂家都在刷，这个季度你上榜，下一个季度我上榜。其实刷分不代表把算法能变成产品，最重要的事情是把算法变成产品落地，怎么提升效率，对每个厂家来说都是最重要的。宇视的算法样本库的标定库，每月的电费将近30万，以百万级的车辆数据去做运算，就是要把各种样本数据进行计算，把优化的过程放到我们产品上。所以在算法的门槛较低的情况下，对于厂商来说，你的样本和样本的计算能力都是要考虑的。 需要强调的是，不仅要有算法算力以及数据样本，还要实现架构跟产品之间的平衡。AI应用，如何做优化业务需求以及计算平台和算法。目前产品应用中，有两条路，第一个就是前端的，A算法在B算法的前端， C算法在D智能的后端，E智能业务，这是很多的甲方用户希望实现的。但是目前的情况是，每一个前端后端业务之间的接口都是厂商私有的接口。另外一个就是单厂商的基础方案，A算法，A前端。A算法和A智能后端，N智能业务，这是现阶段的行业情况。对大数据大IT来讲，应该是要开放，所有的东西都应是通用的。AI目前还是处在百花齐放的状态，各个厂商为了体现芯片的算法优势，对硬件的反应力都比较长，这也是目前的常态。 
SMV架构 从行业应用的角度来说，还是要看架构支撑和产品支撑，最终给用户的体现表达是谁最好。据此，宇视提出了自己架构，在智能交通方面，前端的智能摄像机，智能卡口电警构成了一个物联化的智能化基础设施层。中间层是一个大布局，提供联网共享接入服务和运维安全管控服务，包括时空地图引擎、视图智能分析引擎、时空大数据引擎、视图云存储云分析引擎等，融合数据资源池、融合存储资源池以及离线存储资源池等，作为平台服务的层。通过中间架构对外提供业务，我们称之为可视化业务呈现，为公共安全、公安交通、大安防等提供服务。 宇视科技AI产品 根据这个架构，宇视推出了一些相关的智能产品，AI整体解决方案代号‘关山’第二代视图数据中心一体机“昆仑”、超融合视图云存储“秦岭”、视频安全智能准入设备“燕山”、智能交通抓拍单元“天目”、深度智能摄像机“函谷”、人脸识别速通门“潼关”等，也都是基于AI的场景应用。 介绍下“函谷”深度学习智能摄像机，采用深度卷积加神经网络算法。在西北地区的高速公路设备用太阳能供电，GPU芯片，两个主要业务，一是人脸识别，可同时实现40个人的人脸检测，最近已经优化到60人；二是道路交通监控视频的结构化，实现机、非、人分离。也就是说加个2W功耗的GPU芯片的交通摄像机，就能判断识别路面上的非机动车和行人，比如高速公路上违法下客。  加入新一代算法+GPU后，我们对道路交通的分析要更加准确和深入。包括非机动车和行人识别，以及车牌、车身颜色、车型、车标识别等。 介绍视图数据中心一体机“昆仑”，为什么要设计这款产品？昆仑带通用计算板卡，智能计算板卡，大数据板卡，从而实现智能结构化分析和大数据处理。单机如果插满智能计算板卡的话，可实现最高640路视频的人脸对比，还可以做到最高80路视频的人、车、非机动车活动目标提取。此外，可实现IAM集群调度，充分利用GPU芯片计算能力，任何一个GPU芯片发生故障都能自动切换。此外，任一同类型的板卡故障也可以自动检测，为什么要这么做？为什么不用优化方案？因为现在AI的算法没有办法像以前X86的平台用虚拟化的手段，把所有的设备虚拟化，AI算法跑的时候基于GPU的内核，中间层是跑不了的，你要大规模上数据的时候，原来的虚拟化方案是实现不了的。虽说有厂商在做这样的方案，但目前还没有看到比较好的虚拟化方案。现在主要的方法就是做技术标准，因此要考虑到三级的故障，在设计当中要把所有能想到的因素放到实际应用中考虑。  另外，现在的AI智能分析目前还做不到一个芯片同时能跑多种任务，这也是AI的现实。能不能一下子都统计出来？这个做不到。因为往GPU加载任务的时候只能加载一种，要么车，要么人脸。正因为这种现实，就要更好的优化分析系统设计。算法和算力非常昂贵，能不能充分的应用这些工具做计算资源的调度。举个例子，早晚高峰的道路交通管理，重大活动交通保障，需要对路面的调度分析时，能不能做到算力资源的自由调度？ 所以我们做了一个集群调度。不同的人数统计板卡和不同视频结构化板卡中，做忙碌和空闲间的不同调度，保证在不同峰值的状态下，保证系统工作的目标，均衡算力的目标。这是业界首创的基于芯片级的标准化以及故障切换。  看一下应用，在城市的高架道路上，车多，车速比较快，因为角度关系没有办法捕捉到车牌，车辆的各种信息变化非常多。传统算法只能分析大小车，但是随着AI技术的发展和硬件系统的调度应用，可以获得了更多的信息，而这些信息可以给智能交通管理带来更多研判维度，提高效率。 今天我的演讲就到这里，谢谢大家。 －END－ |
|
|
