图形处理器和神经网络加速芯片如何助力汽车自我思考

　   作者：Imagination Technologies汽车产品部总监Bryce Johnstone

　　汽车行业是推动人工智能(AI)发展的重要行业之一，这是因为该行业致力于自动驾驶汽车和高级驾驶员辅助系统(ADAS)的泛在利益。

　　汽车正在变得越来越智能，但是如果汽车行业要实现完全自动驾驶的目标，他们还有很长的路要走。尽管业界还在讨论实现全自动化所需的理想技术组合，但是有一点是明确的，那就是人工智能，尤其是神经网络将发挥重要作用。

　　神经网络

　　神经网络的作用是执行对于传统视觉或模式识别系统来说具有挑战性的任务。通过使每个神经网络各自不同，并针对特定任务进行设计，它可以更高效、更精确地执行任务。

　　所有神经网络的组织模式都是在多个层面上多次处理数据。因此，神经网络可以在不同的输入模式下运行十到二十次，而不是用一组特定的参数只运行一次操作。这个想法是，通过所有这些不同的路径，选择的数量就会增加。当到了需要做出决策的时候，它已经从输入中提取了所有的信息。

　　在路标识别的示例中，第一层可能正在寻找一个标识的角形状，然后是颜色等各个步骤执行下去，直到它可以非常确信地说这是一个路标并说明其含义。这样做的好处在于无需对每一个步骤都进行编程，神经网络将会自己完成，并且随着时间的推移而不断学习。该算法知道它需要识别的内容，并将尝试不同的方法，直到实现目标，并在过程中不断学习。一旦神经网络在经过培训之后，它便可以在实际应用中发挥作用。这意味着工程师不必花费数小时来微调复杂的算法，他们只需向神经网络展示它需要发现的内容并让其自学完成。

　　这些技术已经在车辆中被广泛用于目标检测、分类和分析，而驾驶员监测、访问控制以及语音和手势识别也可以利用不同类型的神经网络。此外，将传统视觉与神经网络相结合的人工智能方法，可用于行人路径分析和环绕视图等应用场景，它将同时依赖于图形处理器(GPU)和神经网络加速器(NNA)。

　　在从传感器到电子控制单元(ECU)整个链路中也可以使用神经网络，在预处理、中间处理和后处理中使用的各种技术将人工智能引入了其中。

　　此外，车联网(V2X)技术正在开发中，该技术将主要使用自动驾驶汽车作为传感载体，为各种智慧城市和智慧交通场景提供数据和信息。同样，这些进展将依赖于采用GPU和NNA的方法实现人工智能，以支持来自越来越大的输入集的各种分析和计算。

　　传感器融合

　　自动驾驶和高度自动化的车辆将严重依赖各种类型的传感器，包括摄像头、热成像、雷达、激光雷达(LiDAR)等。所有这些传感器传出的信号都需要进行解读和融合，以便全面了解车辆内部和外部发生的情况。

　　传感器融合对于自动驾驶至关重要，它将涉及到GPU和神经网络以及机器学习和人工智能的结合。

　　车辆内部传感器融合的一个很好的示例是驾驶员监测。在当今的车辆中，各种各样的传感器都能够检测到驾驶员是否注意力不集中。神经网络可以分析拍摄到的驾驶员图像，以判断他或她是否在睡觉、处于疲倦状态、注意力不集中，甚至通过移动设备讲话或发信息。这对于早期的自动驾驶车辆来说是至关重要的信息，因为它可能需要驾驶员在某些时候重新控制车辆，因为汽车需要知道驾驶员是否处于合适的状态才能这样做。

　　驾驶员监测是如何工作的?对准驾驶员面部的摄像头为分析面部元素(尤其是眼睛)的算法提供了输入。是睁着眼睛还是闭着眼睛?如果是闭着眼睛，闭眼多长时间?眼神是否飘忽不定?驾驶员正在看向哪里?

　　研究整个面部可以确定驾驶员是生气还是悲伤。如果是愤怒，系统会建议驾驶员先靠边停车并冷静下来，然后再继续行驶。

　　所有这些都是基于构建一个面部图像，提取关键点并使用神经网络提取情绪、注视时间等来判断驾驶员的精神状态。

　　在未来的两三年内，驾驶员监测可能会成为必须从欧洲新车评估计划(NCAP)和美国国家高速公路通行安全管理局(NHTSA)获得批准的一项要求，因此驾驶员监测会成为汽车制造商必须要实施的技术，不仅要适用于高端汽车，还要适用于所有车辆。

　　自动驾驶的等级

　　美国汽车工程师学会(SAE)和美国高速公路交通安全管理局已将自动驾驶汽车的能力分为六个等级。基本上，等级0完全没有自动化，而在等级1中，汽车将为驾驶员提供一些帮助。等级2具有更多的驾驶辅助功能，甚至可以自主执行一些任务，例如自动紧急制动以避免碰撞。

　　等级3是一个棘手的问题，虽然汽车是自动驾驶，但驾驶员必须随时准备驾驶车辆。驾驶员监测将是等级3自动驾驶的关键，因为驾驶员必须做好干预的准备，并且在一定程度上，车辆有责任确保驾驶员做好准备。

　　在等级4中，即使驾驶员可以接手车辆驾驶，但从理论上讲，车辆也可以处理它所处现场的所有情况。等级5的车辆将实现全自动化，没有方向盘和踏板。

　　车辆自动驾驶性能每提高一个级别，所需的计算性能就会增加大约十倍。这就是为什么神经网络很重要的原因，因为它们可以在非常低的功耗下提供这种性能。

　　目标检测

　　以一个行人为例，汽车的车载摄像头和传感器可以记录行人是在行走或站立;神经网络可被用于绘制行人可能要走的路线，并计算车辆是否需要减速或快速制动。神经网络还可以观察同一幅图像并对其进行分割，从中挑选出其他物体，并应用目标识别技术来判断出它们是否代表了车辆需要注意的东西。所有这些都必须把车辆的位置以及它想要去的地方纳入考虑之中，如果车辆正在倒车，并检测到在车辆后面有一个小孩，就需要迅速处理并进行刹车。要做到这一点，就需要人工智能和神经网络来查看那里是否有物体存在，并对其进行识别认出是一个孩子，然后向执行器或驾驶员发送一个信号，以采取措施。

　　由于摄像头通常会带有某种鱼眼镜头，因此这将使其变得更加复杂。这会产生一张变形的图片，需要先矫正然后进行解读。来自这个设备以及其他传感器的输入需要结合起来，从而在瞬间做出决策。

　　数据处理

（编辑：辽源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!