接续前文:一家创业公司给了自动驾驶车更敏锐的感官

美国硅谷新创公司DeepScale声称其为自动驾驶车辆打造的感知解决方案(算法)可支持不特定传感器与处理器;而且或许更重要的是,该公司强调其解决方案的处理器效率非常高,而且耗电量较低。

DeepScale首席执行官Forrest Iandola表示,其解决方案能以智能手机应用处理器──例如高通(Qualcomm)的车规Snapdragon──来处理从4个车用摄影机、1个车用雷达收集到的原始感测资料;或是单颗Nvidia GPU也能处理来自十几个传感器的原始数据。

Iandola意识到,对车厂来说每一分钱都非常重要,低功耗处理器──不需要散热冷却──对于让车辆保持稳定也非常重要。

而利用原始数据来支持车用传感器融合的DeepScale解决方案,与Mentor最近推出的DRS360平台非常类似;DRS360包含Xilinx的UltraScale+ MPSoC FPGA,并支持先进的机器学习神经网络算法。 DRS360_original_1505942621 Mentor的DRS360车用传感器融合平台 (来源:Mentor)

Mentor副总裁暨嵌入式系统部门总经理Glenn Perry在接受EE Times采访时表示,原始资料传感器融合并非是唯一的解决方案,却是设计高度自动化驾驶车辆架构的最明智方法。不过,对于这种实时融合多个传感器原始数据的想法,在汽车产业却反应不一;Perry表示,一个反对的原因是根植于车厂采用渐进式设计开发的悠久历史。

举例来说,有部份车厂已经投资开发利用来自雷达之目标数据提供自适应巡航控制(adaptive cruise control)的ADAS系统,并支持摄影机/雷达数据融合实现自动紧急剎车系统;如果要他们回头去改用以原始数据为基础的方案,是非常困难的。

Mentor的DRS360平台提出了一种两阶段的系统解决方案,分别为传感器融合与感知;该平台采用原始数据,免除了所有传感器节点支持数据处理的程序;但Perry指出,如果客户偏好预先过滤的资料,Mentor也可提供。

Perry还表示,Mentor已经自行开发算法以及利用硬件加速的软件,来支持原始数据传感器融合;该公司能提供一系列以系统支持套件为基础的整合式服务,采用Mentor的IP。他将原始数据传感器融合算法形容为“创新沃土”,而这显然也是DeepScale正在耕耘的领域。

针对DeepScale的业务,Perry认为他们是聚焦于:“我们已经在DRS360上开发的一个关键解决方案;”而对于Mentro来说这是好消息,因为DeepScale:“可望提供利用DRS360平台之客户另一种融合算法的选项。”

市场竞争态势

那么在市场上谁是DeepScale的竞争者?对此车用视觉技术Vision Systems Intelligence (VSI)顾问公司创办人暨首席顾问Phil Magney表示:“有很多事情现在才要发生,不少硬件公司(销售处理器与/或系统)提供对于经过训练之深度神经网络/卷积神经网络(DNNs/CNNs)的支持,他们通常提供处理器/平台加上转换工具以支持AI算法,例如Deppscale所提供的。”

“不过,大多数提供硬件解决方案的公司,并不提供像是Deepscale方案一样经过完整训练的算法;”Magney的看法是:“并没有很多公司提供具备预先训练算法的AI软件堆栈,可处理以原始数据融合为基础的整体环境模型。AImotive与Mobileye有类似的解决方案,但须搭配特定的主处理器。”

那Nvidia呢?Magney表示,“该公司在这个领域也是要角,但并没有提供具备预先训练算法的完整软件堆栈可支持全环境建模;Nvidia提供的硬件解决方案与工具,可打造专属的应用程序,也包括利用原始数据融合。”

但Magney怀疑,正在开发AI软件堆栈的厂商处数量应该比台面上的多:“不过那些公司还在隐形模式,也没有透露太多正在做的事情。”

VSI最近探讨了该公司称之为“自动驾驶车辆堆栈(AV stack)”──也就是自动驾驶车辆的功能区块──这个话题,表示自动驾驶车辆具备5个不同功能领域,包括感知(perception)、本地化与规划(localize & plan)、决策/行为(decision/behavior)、控制(control),以及连结性与I/O (connectivity & I/O)。 VSI_AV stack_1505933135 自驾车功能区块──AV堆栈 (来源:VSI)

Magney认为DeepScale的方案应该是要放在前两个AV堆栈中,因为该公司声称能支持整个环境模型,包括目标侦测(Object Detection)、格点占据(Occupancy Grid)、车道分割(Lane Segmentation)、目标追踪(Object tracking)以及自我定位(Self-Localization)。

DeepScale目前仍处于必须找个地方安插自己的阶段;不过Iandola觉得DeepScale不一定必须等到全自动驾驶车辆诞生,其技术才能被采用:“我们发现感知问题是普遍的,相同的技术也能被应用于配备ADAS的量产车款,或是提供移动服务的自动驾驶车辆。”

根据DeepScale表示,其感知系统应用能从Level 2自动驾驶车辆,扩展到Level 4/5自动驾驶车辆;此外该公司也表示,其软件堆栈能适用现有的ADAS应用之传感器组合。对此Magney认为,这能让车厂在车辆小改款的时候添加一些自动驾驶功能;而DeepScale认为其软件能在2020年或稍后被导入量产。

对安全性的关注

显然目前每一家自动驾驶技术开发商都声称其焦点在“安全性”,但DeepScale的境界更高,表示“自动驾驶在本质上就比人类驾驶更安全”;Iandola在更早之前接受EE Times采访时就曾表示,不是等到发生碰撞,自动驾驶车辆应该有自我检查的能力。

Iandola指出,每个模型会在将驾驶权交手给人类驾驶时,自问是否情况有些令人困惑,或者自问在那个当下有多少交出驾驶权的信心。自动驾驶车辆会持续发送数据,而这种“机器内省”(robotic soul-searching),有助于数据注记者(data annotators)定义最艰困的情境,并建立质量保证模型。

Magney指出,DeepScale的堆栈内建了安全监测功能,会监测安全性并撷取边缘案例(edge cases),以支持算法的持续改善;他补充指出,DeepScale还支持空中下载软件更新,并已经围绕这个功能打造其模型,类似Tesla的方案。

编译:Judith Cheng

本文授权编译自EE Times,版权所有,谢绝转载

EETC wechat barcode


关注最前沿的电子设计资讯,请关注“电子工程专辑微信公众号”。