汽车零件供应商伟世通(Visteon)在今年的CES上推出旗下首款自动驾驶技术平台——DriveCore,并连手专注于自动驾驶感知技术的新创公司DeepScale,为自动驾驶领域再添新的合作模式。

DriveCore平台完整地配备了硬件、中介固件和架构,为Level 3及以上的自动驾驶车开发机器学习算法。除此之外,DriveCore平台还为OEM提供可扩展的集中式域控制器,以满足汽车制造商对于运算性能的需求。

Visteon表示,相较于“以视觉优先”的英特尔(Intel)/Mobileye平台,DriveCore更具有灵活性,可为来自摄影机、光达和雷达的传感器数据加以整合。 DriveCorePlatform DriveCore平台:号称首款可让汽车制造商在开放合作模式中打造自动驾驶解决方案的平台 (来源:Visteon)

此外,Visteon还打造了一个基于PC的开发环境——Studio。它是为了让第三方开发人员自行打造机器学习算法而设计的。不过,要说Visteon的自动驾驶解决方案和竞争对手最大的不同,主要还在于其与加州新创公司DeepScale建立了合作伙伴关系。

DeepScale研发出一种深度学习感知技术,可用于处理原始数据(而非对象数据),以及加速嵌入式处理器的传感器融合速度。

由于自动驾驶车的开发还处在早期阶段,因此类似Waymo、Uber和英特尔/Mobileye等科技公司都选择跳过与中间商(即Tier one供应商)的联系,径自开发完整的自动驾驶平台。然而,Visteon的动作频频,意味着被冷落的一级(Tier one)供应商要开始绝地大反攻了。

混搭传感器

VSI Labs创办人兼首席顾问Phil Magney解释:“这就是我一直在等待的。我知道Visteon一直在寻找擅长深度学习的合作伙伴。”

在Magney看来,其实Visteon的脚步已经有些晚了,其他Tier one供应商都已经找好了自动驾驶车解决方案的合作伙伴。不过,由于推出了DriveCore,Visteon如今有了完整的解决方案,能让汽车OEM根据自己开发的应用需要混搭传感器。

Magney 补充道:“这套解决方案的核心是DeepScale,该公司已经提出了完整的软件组件以及基于卷积神经网络(CNN)的算法。”

DeepScale首席执行官兼创办人Forrest Iandola并不愿评论两家公司合作带来的商业价值。不过,他明确表示该公司与Visteon的合作关系稳定。“我们已经与Visteon进行了深入对话,并计划共同将两家公司的产品蓝图进行了整合、测试与部署。”

DeepScale不但为此合作关系贡献出独特的人工智能(AI)算法,还奉上专为小型处理器打造的传感器融合与深度神经网络(DNN)扩展能力。根据DeepScale指出,AI 软件能利用任何传感器组合建构3D视觉环境模型,从单一相机产生分辨率点云——一般来说,实现这样的效果通常需要昂贵的 光达(LiDAR)。据悉,DeepScale十分擅长这种仅以较小运算能力产生先进性能的微型DNN技术。

Magney称Visteon/DeepScale连手是“天作之合”。如果没有Visteon这样的供应商来解决汽车厂商的需求,DeepScale恐怕很难将自家解决方案推向市场。而有了DeepScale,Visteon则得到了一家强大深度学习软件合作伙伴的支持。DeepScale提供了预训线软件算法,能因应从Level 2到Level 4和Level 5等级的所有自动驾驶任务需要。DeepScale提供可扩展解决方案的能力也使该公司引以为傲。

而在谈到代表自动驾驶领域两大发展路径——英特尔/Mobileye 的渐进式以及Waymo、Uber的叫车/车队模式时,Iandola 对《EE Times》表示:“我们分别接触了两大营的代表:一种是要从驾驶辅助逐步演进至全自动驾驶,另一种则是直接发展全自动驾驶。”他强调,“我们专注于开发感知系统,它可从成本与功耗有限的量产硬件扩展至驾驶辅助,以及有助于实现全自动驾驶的特定硬件。”

硬件选择

Visteon发布的自动驾驶平台,也让我们得以一窥自动驾驶产业的进化历程。

首先,开放系统对于一些自动驾驶公司的诱惑力越来越大。Magney指出:“Visteon的自动驾驶堆栈能够同时支持英伟达(Nvidia)、恩智浦(NXP)和高通(Qualcomm)的处理器架构,实在是让人佩服。”简单来说,Visteon期望藉由DriveCore平台为汽车OEM提供更丰富的选择,不论是处理器还是传感器。

其次,汽车制造商也想在其自动驾驶车上采用多种传感器技术。Iandola 表示:“我们认为每一种传感器都有其独特的优势,而且在实际执行时是可以互补的。所谓的‘万用传感器’根本没有意义,毕竟各家厂商的目标是让自动驾驶系统变得安全可靠。“

他强调称,“近些年来业界已经在新的传感器技术上投入超过 10 亿美元了,专注于该技术的新创公司更多达30家以上。此外,新的AI处理芯片和平台也拿到了数十亿美元的投资。”

Iandola还表示,DeepScale看到了“一个非常好的机会,使其打造出轻松整合业界最佳传感器技术与处理器平台的感知系统。”

原始资料 vs. 对象数据

第三,业界直持续争论以原始数据还是对象数据实现传感器融合的话题可能要转向了。

Magney表示:“现在的趋势更倾向于在感知端采用原始数据进行融合,而这正是DeepScale援的方向。”当然,这场争论至今还没有最终结论。

以Uber而言,他们的自动驾驶车似乎就两种数据都需要。据悉,Uber在使用一些神经网络来协助感知(需要将传感器数据转换成对象数据),想完成这一任务有时候就得靠“融合”多个传感器。当然,在后期阶段,Uber也会用其他神经网络来预测车辆的下一步动作。 early fusion_1505936488 DeepScale的解决方案:深度神经网络传感器融合(来源:DeepScale)

Iandola显然很清楚到底需要做什么。他曾经在之前的一次采访中表示,“目前的深度神经网络研究有很大一部份都是根据现有的DNN技术进行修改和升级。”不过,到了连手DeepScale之后,他却改口称“我们一切都是从头做起,使用原始数据开发自家的深度神经网络,而且这些数据不止是来自影像传感器,我们也参考了雷达和 光达。”

Magney称DeeoScale的方法非常有现代感,是“将AI运用在自动驾驶领域的最新思维”。DeepScale如今也正倡导接近传感器的早期原始资料融合。

除此之外,Magney还看到了DeepScale解决方案的另一个固有优势。“你可以用任何传感器组合完成数据融合。低层级的用摄影机和雷达,至于较高的层级则可用光达。”Magney 总结道:“有了DeepScale相助,我相信Visteon有能力提供从ADAS到Level 4/Level 5层级的多种解决方案。”

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”。