高級(jí)輔助駕駛系統(tǒng)(ADAS)可提供解決方案，用以滿足駕乘人員對(duì)道路安全及出行體驗(yàn)的更高要求。諸如車道偏離警告、自動(dòng)剎車及泊車輔助等系統(tǒng)廣泛應(yīng)用于當(dāng)前的車型，甚至是功能更為強(qiáng)大的車道保持、塞車輔助及自適應(yīng)巡航控制等系統(tǒng)的配套使用也讓未來(lái)的全自動(dòng)駕駛車輛成為現(xiàn)實(shí)。

如今，車輛的很多系統(tǒng)使用的都是機(jī)器視覺(jué)。機(jī)器視覺(jué)采用傳統(tǒng)信號(hào)處理技術(shù)來(lái)檢測(cè)識(shí)別物體。對(duì)于正熱衷于進(jìn)一步提高拓展ADAS功能的汽車制造業(yè)而言，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)開(kāi)辟了令人興奮的研究途徑。為了實(shí)現(xiàn)從諸如高速公路全程自動(dòng)駕駛儀的短時(shí)輔助模式到專職無(wú)人駕駛旅行的自動(dòng)駕駛，汽車制造業(yè)一直在尋求讓響應(yīng)速度更快、識(shí)別準(zhǔn)確度更高的方法，而深度學(xué)習(xí)技術(shù)無(wú)疑為其指明了道路。

以知名品牌為首的汽車制造業(yè)正在深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)技術(shù)上進(jìn)行投資，并向先進(jìn)的計(jì)算企業(yè)、硅谷等技術(shù)引擎及學(xué)術(shù)界看齊。在中國(guó)，百度一直在此技術(shù)上保持領(lǐng)先。百度計(jì)劃在 2019 年將全自動(dòng)汽車投入商用，并加大全自動(dòng)汽車的批量生產(chǎn)力度，使其在 2021 年可廣泛投入使用。汽車制造業(yè)及技術(shù)領(lǐng)軍者之間的密切合作是嵌入式系統(tǒng)神經(jīng)網(wǎng)絡(luò)發(fā)展的催化劑。這類神經(jīng)網(wǎng)絡(luò)需要滿足汽車應(yīng)用環(huán)境對(duì)系統(tǒng)大小、成本及功耗的要求。

1輕型嵌入式神經(jīng)網(wǎng)絡(luò)

卷積式神經(jīng)網(wǎng)絡(luò)(CNN)的應(yīng)用可分為三個(gè)階段：訓(xùn)練、轉(zhuǎn)化及CNN在生產(chǎn)就緒解決方案中的執(zhí)行。要想獲得一個(gè)高性價(jià)比、針對(duì)大規(guī)模車輛應(yīng)用的高效結(jié)果，必須在每階段使用最為有利的系統(tǒng)。

訓(xùn)練往往在線下通過(guò)基于CPU的系統(tǒng)、圖形處理器(GPU)或現(xiàn)場(chǎng)可編程門陣列(FPGA)來(lái)完成。由于計(jì)算功能強(qiáng)大且設(shè)計(jì)人員對(duì)其很熟悉，這些是用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最為理想的系統(tǒng)。

在訓(xùn)練階段，開(kāi)發(fā)商利用諸如Caffe(Convolution Architecture For Feature Extraction，卷積神經(jīng)網(wǎng)絡(luò)架構(gòu))等的框架對(duì)CNN進(jìn)行訓(xùn)練及優(yōu)化。參考圖像數(shù)據(jù)庫(kù)用于確定網(wǎng)絡(luò)中神經(jīng)元的***權(quán)重參數(shù)。訓(xùn)練結(jié)束即可采用傳統(tǒng)方法在CPU、GPU或FPGA上生成網(wǎng)絡(luò)及原型，尤其是執(zhí)行浮點(diǎn)運(yùn)算以確保***的精確度。

作為一種車載使用解決方案，這種方法有一些明顯的缺點(diǎn)。運(yùn)算效率低及成本高使其無(wú)法在大批量量產(chǎn)系統(tǒng)中使用。

CEVA已經(jīng)推出了另一種解決方案。這種解決方案可降低浮點(diǎn)運(yùn)算的工作負(fù)荷，并在汽車應(yīng)用可接受的功耗水平上獲得實(shí)時(shí)的處理性能表現(xiàn)。隨著全自動(dòng)駕駛所需的計(jì)算技術(shù)的進(jìn)一步發(fā)展，對(duì)關(guān)鍵功能進(jìn)行加速的策略才能保證這些系統(tǒng)得到廣泛應(yīng)用。

利用被稱為CDNN的框架對(duì)網(wǎng)絡(luò)生成策略進(jìn)行改進(jìn)。經(jīng)過(guò)改進(jìn)的策略采用在高功耗浮點(diǎn)計(jì)算平臺(tái)上(利用諸如Caffe的傳統(tǒng)網(wǎng)絡(luò)生成器)開(kāi)發(fā)的受訓(xùn)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重，并將其轉(zhuǎn)化為基于定點(diǎn)運(yùn)算，結(jié)構(gòu)緊湊的輕型的定制網(wǎng)絡(luò)模型。接下來(lái)，此模型會(huì)在一個(gè)基于專門優(yōu)化的成像和視覺(jué)DSP芯片的低功耗嵌入式平臺(tái)上運(yùn)行。圖1顯示了輕型嵌入式神經(jīng)網(wǎng)絡(luò)的生成過(guò)程。與原始網(wǎng)絡(luò)相比，這種技術(shù)可在當(dāng)今量產(chǎn)型車輛的有限功率預(yù)算下帶來(lái)高性能的神經(jīng)處理表現(xiàn)，而圖像識(shí)別精確度降低不到 1%。

圖1 CDNN將通過(guò)傳統(tǒng)方法生成的網(wǎng)絡(luò)權(quán)重轉(zhuǎn)化為一個(gè)定點(diǎn)網(wǎng)絡(luò)

英文解釋：

Network structure 網(wǎng)絡(luò)架構(gòu)

Image database 圖像數(shù)據(jù)庫(kù)

Training stage(offline) 訓(xùn)練階段(離線)

Network weights 網(wǎng)絡(luò)權(quán)值

Floating-point Network+weight 浮點(diǎn) 網(wǎng)絡(luò)+權(quán)重

CEVA Network generator CEVA網(wǎng)絡(luò)生成器

Fixed-point customized network+weights 定點(diǎn)定制 網(wǎng)絡(luò)+權(quán)重

Detection stage(real-time)檢測(cè)階段(實(shí)時(shí))

一個(gè)由低功耗嵌入式平臺(tái)托管的輸入大小為224x224，卷積過(guò)濾器分別為11x11、5x5及3x3的24層卷積神經(jīng)網(wǎng)絡(luò)，其性能表現(xiàn)幾乎是一個(gè)在典型的GPU/CPU綜合處理引擎上運(yùn)行的類似CNN的三倍，盡管其所需的內(nèi)存帶寬只是后者的五分之一， 且功耗大幅降低。

2下一代深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

汽車制造業(yè)進(jìn)入神經(jīng)網(wǎng)絡(luò)領(lǐng)域所習(xí)得的經(jīng)驗(yàn)不斷推動(dòng)技術(shù)的發(fā)展，并因此開(kāi)發(fā)出了更先進(jìn)的網(wǎng)絡(luò)架構(gòu)及更復(fù)雜的拓?fù)洌缑考?jí)多層拓?fù)洹⒍嗳?多出及全卷積網(wǎng)絡(luò)。新推出的重要網(wǎng)絡(luò)類型不僅可用來(lái)識(shí)別物體，也可用來(lái)識(shí)別場(chǎng)景，從而提供用以解決汽車領(lǐng)域應(yīng)用程序(如自動(dòng)駕駛功能)所需的圖像分割。當(dāng)然，中國(guó)40家左右的汽車制造商并不會(huì)在此道路上踽踽獨(dú)行。他們會(huì)與百度等技術(shù)公司進(jìn)行密切合作。技術(shù)公司是這些網(wǎng)絡(luò)和架構(gòu)發(fā)展的核心。CNN網(wǎng)絡(luò)生成器功能的完善也為新的網(wǎng)絡(luò)架構(gòu)和拓?fù)涮峁┝酥С郑鏢egNet、GoogLeNet、ResNet等其它網(wǎng)絡(luò)結(jié)構(gòu)以及高級(jí)網(wǎng)絡(luò)層(圖2)。此外，一鍵啟用也讓預(yù)訓(xùn)網(wǎng)絡(luò)轉(zhuǎn)換成優(yōu)化的實(shí)時(shí)網(wǎng)絡(luò)執(zhí)行更為便捷。為確保給常用的網(wǎng)絡(luò)生成器提供支持，CDNN框架與Caffe、TensorFlow(谷歌的機(jī)器學(xué)習(xí)軟件庫(kù))都有合作。

圖 2網(wǎng)絡(luò)生成器的發(fā)展為新網(wǎng)絡(luò)層及更深的架構(gòu)提供了支持

英文解釋：

Typical CNN layer 典型的CNN架構(gòu)

Input 輸入

Convolutional stage:affine transform 卷積階段：仿射變換

Detector stage:nonlinearity 檢測(cè)階段：非線性

Pooling stage 統(tǒng)籌階段

Normalization stage(optional)正規(guī)化階段(可選)

Output：feature map 輸出：特征映射

由于***推出的嵌入式處理平臺(tái)在可擴(kuò)展性及靈活性上都有了很大改進(jìn)，因此嵌入式部署也可以利用這些改進(jìn)來(lái)完善自身。由于深度學(xué)習(xí)領(lǐng)域的發(fā)展越來(lái)越多樣化，因此擁有一個(gè)不僅能滿足當(dāng)今處理需求，也具有適應(yīng)未來(lái)的技術(shù)創(chuàng)新的靈活架構(gòu)非常重要。

3鋪好路

***批神經(jīng)網(wǎng)絡(luò)應(yīng)用程序?qū)Ｗ⒂谝曈X(jué)處理，以支持諸如自動(dòng)行人、交通信號(hào)或道路特征識(shí)別等功能。由于這些系統(tǒng)的性能不斷改進(jìn)，例如處理越來(lái)越大的來(lái)自高分辨率相機(jī)的數(shù)據(jù)集，因此神經(jīng)網(wǎng)絡(luò)也有望在未來(lái)的汽車中發(fā)揮更大的作用。這些作用將包括承擔(dān)系統(tǒng)中其它復(fù)雜的信號(hào)處理任務(wù)，例如雷達(dá)模塊及語(yǔ)音識(shí)別系統(tǒng)。

隨著神經(jīng)網(wǎng)絡(luò)***應(yīng)用于車載自動(dòng)駕駛系統(tǒng)，(據(jù)報(bào)道，某些國(guó)家將在2019-2020年型的新車輛中使用神經(jīng)網(wǎng)絡(luò)，)對(duì)同時(shí)兼具安全性及可靠性的系統(tǒng)的需求會(huì)越來(lái)越大。中國(guó)政府計(jì)劃在2021至2025年推出自動(dòng)駕駛車輛。要讓此類系統(tǒng)具備可讓客戶使用的條件，汽車制造商必須同時(shí)確保其符合相關(guān)的安全標(biāo)準(zhǔn)，如ISO 26262功能安全性。這需要硬件、軟件及系統(tǒng)的綜合發(fā)展。

由于這些系統(tǒng)變得越來(lái)越復(fù)雜，因此確保系統(tǒng)可靠安全且能滿足處理需求也成為汽車制造商所面臨的越來(lái)越大的挑戰(zhàn)。

4結(jié)論

機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)將沿著一條挑戰(zhàn)高效處理性能的發(fā)展道路繼續(xù)闊步前進(jìn)。先進(jìn)的神經(jīng)網(wǎng)絡(luò)架構(gòu)已經(jīng)顯現(xiàn)出優(yōu)于人類的識(shí)別精確性。用于生成網(wǎng)絡(luò)的***框架，如 CDNN2，正在推動(dòng)輕型、低功耗嵌入式神經(jīng)網(wǎng)絡(luò)的發(fā)展。這種神經(jīng)網(wǎng)絡(luò)將使目前的高級(jí)輔助駕駛系統(tǒng)具有較高的精確性及實(shí)時(shí)處理能力。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在量產(chǎn)型車輛上的***使用將限于基本的視覺(jué)識(shí)別系統(tǒng)，但最終會(huì)在未來(lái)為自動(dòng)化程度越來(lái)越高的車輛提供支持，幫助其應(yīng)對(duì)眾多的復(fù)雜信號(hào)處理的挑戰(zhàn)。