智能網(wǎng)聯(lián)汽車概論 課件 4-2 了解智能網(wǎng)聯(lián)汽車智能決策技術的應用

智能網(wǎng)聯(lián)汽車概論能力模塊四掌握決策控制系統(tǒng)在智能網(wǎng)聯(lián)汽車上的應用方式任務二

了解智能網(wǎng)聯(lián)汽車智能決策技術的應用新授Newteaching1目錄一、智能網(wǎng)聯(lián)汽車智能決策技術的認知二、智能網(wǎng)聯(lián)汽車計算平臺的應用三、智能網(wǎng)聯(lián)國產(chǎn)芯片的發(fā)展智能網(wǎng)聯(lián)汽車是集感知、決策和控制等功能于一體的自主交通工具，其中，智能決策是指依據(jù)感知信息來進行決策判斷，確定適當工作模型，制訂相應控制策略，替代人類駕駛人做出駕駛決策。智能決策技術的功能如圖一、智能網(wǎng)聯(lián)汽車智能決策技術的認知（一）智能決策技術1.智能決策的定義智能決策技術在智能網(wǎng)聯(lián)汽車上的應用

傳統(tǒng)意義上自動駕駛系統(tǒng)的決策控制軟件系統(tǒng)包含環(huán)境預測、行為決策、動作規(guī)劃、路徑規(guī)劃等功能模塊。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知（一）智能決策技術

2.智能決策系統(tǒng)的組成（1）環(huán)境預測模塊

環(huán)境預測模塊作為決策規(guī)劃控制模塊的直接數(shù)據(jù)上游之一，其主要作用是對感知層所識別到的物體進行行為預測，并且將預測的結果轉化為時間空間維度的軌跡傳遞給后續(xù)模塊。通常感知層所輸出的物體信息包括位置、速度、方向等物理屬性。利用這些輸出的物理屬性，可以對物體做出“瞬時預測”。在圖中，通過識別行人在人行道的歷史行進動作預測出行人可能會在人行道上穿越路口，而通過車輛的歷史行進軌跡可判斷其會在路口右轉。環(huán)境預測示意圖行為決策模塊在整個自動駕駛決策規(guī)劃控制軟件系統(tǒng)中扮演著“副駕駛”的角色。這個層面匯集了所有重要的車輛周邊信息，不僅包括了自動駕駛汽車本身的實時位置、速度、方向，還包括車輛周邊一定距離以內所有的相關障礙物信息以及預測的軌跡。行為決策層需要解決的問題，就是在知曉這些信息的基礎上，決定自動駕駛汽車的行駛策略，需要結合環(huán)境預測模塊的結果，輸出宏觀的決策指令供后續(xù)的規(guī)劃模塊去更具體地執(zhí)行。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知（2）行為決策模塊（一）智能決策技術路徑規(guī)劃模塊是對較長時間內車輛行駛路徑的規(guī)劃，例如從出發(fā)地到目的地之間的路線設計或選擇。（3）動作規(guī)劃模塊動作規(guī)劃模塊主要是對短期甚至是瞬時的動作進行規(guī)劃，例如轉彎、避障、超車等動作。（4）路徑規(guī)劃模塊一、智能網(wǎng)聯(lián)汽車智能決策技術的認知

3.決策技術的結構體系

決策層是自主駕駛系統(tǒng)智能性的直接體現(xiàn)，對車輛的行駛安全性和整車性能起著決定性作用，以谷歌和斯坦福等為代表的眾多企業(yè)和高校做出了大量研究。常見的決策體系結構有分層遞階式、反應式以及兩者的混合式。（1）分層遞階式體系結構

分層遞階式體系結構是一個串聯(lián)系統(tǒng)結構，如圖所示。在該結構中，智能駕駛系統(tǒng)的各模塊之間次序分明，上一個模塊的輸出即為下一個模塊的輸入，因此又稱為“感知一規(guī)劃一行動”結構。當給定目標和約束條件后，規(guī)劃決策就根據(jù)即時建立的局部環(huán)境模型和已有的全局環(huán)境模型決定出下一步的行動，進而依次完成整個任務。決策規(guī)劃-分層遞階式體系結構一、智能網(wǎng)聯(lián)汽車智能決策技術的認知1）分層遞階式體系結構對全局環(huán)境模型的要求比較理想化，從環(huán)境感知模塊到執(zhí)行模塊，中間存在著延遲，缺乏實時性和靈活性。2）分層遞階式體系結構的可靠性不高，一旦其中某個模塊出現(xiàn)軟件或者硬件上的故障，信息流和控制流的傳遞通道就受到了影響，整個系統(tǒng)很有可能發(fā)生崩潰而處于癱瘓狀態(tài)。（1）分層遞階式體系結構特點一、智能網(wǎng)聯(lián)汽車智能決策技術的認知

反應式體系采用并聯(lián)結構，如圖所示，每個控制層可以直接基于傳感器的輸入進行決策，因而它所產(chǎn)生的動作是傳感器數(shù)據(jù)直接作用的結果，可突出“感知一動作”的特點，易于適應完全陌生的環(huán)境。其中基于行為的反應式體系結構是反應式體系中最常用的結構。（2）反應式體系結構智能決策技術在智能網(wǎng)聯(lián)汽車上的應用一、智能網(wǎng)聯(lián)汽車智能決策技術的認知

反應式體系采用并聯(lián)結構，如圖所示，每個控制層可以直接基于傳感器的輸入進行決策，因而它所產(chǎn)生的動作是傳感器數(shù)據(jù)直接作用的結果，可突出“感知一動作”的特點，易于適應完全陌生的環(huán)境。其中基于行為的反應式體系結構是反應式體系中最常用的結構。反應式結構最早于1986年成功應用于移動機器人。其主要特點是存在著多個并行的控制回路，針對各個局部目標設計對應的基本行為，這些行為通過協(xié)調配合后作用于驅動裝置，產(chǎn)生有目的的動作，形成各種不同層次的能力。雖然高層次會對低層次產(chǎn)生影響，但是低層次本身具有獨立控制系統(tǒng)運動的功能，而不必等高層次處理完畢。（2）反應式體系結構一、智能網(wǎng)聯(lián)汽車智能決策技術的認知反應式結構最早于1986年成功應用于移動機器人。其主要特點是存在著多個并行的控制回路，針對各個局部目標設計對應的基本行為，這些行為通過協(xié)調配合后作用于驅動裝置，產(chǎn)生有目的的動作，形成各種不同層次的能力。反應式體系結構中的許多行為主要設計成一個簡單的特殊任務，所以感知、規(guī)劃和控制三者可緊密地集成在一塊，占用的存儲空間不大，因而可以產(chǎn)生快速的響應，實時性強。設計方面存在難點：由于系統(tǒng)執(zhí)行動作的靈活性，需要特定的協(xié)調機制來解決各個控制回路對同一執(zhí)行機構爭奪控制的沖突，以便得到有意義的結果；隨著任務復雜程度以及各種行為之間交互作用的增加，預測一個體系整體行為的難度將會增大，缺乏較高等級的智能。（2）反應式體系結構特點

分層遞階式體系結構和反應式體系結構各有優(yōu)劣，都難以單獨滿足行駛環(huán)境復雜多變時的使用需求，所以越來越多的行業(yè)人士開始研究混合式體系結構，將兩者的優(yōu)點進行有效的結合，如圖所示，在全局規(guī)劃層次上，生成面向目標定義的分層遞階式行為；在局部規(guī)劃層次上，生成面向目標搜索的反應式體系的行為分解。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知（2）混合式體系結構

先進的決策理論包括基于多準則的決策方法、基于模糊決策的行為方法、強化學習和數(shù)據(jù)驅動方法、貝葉斯網(wǎng)絡方法等。由于人類駕駛過程中所面臨的路況與場景多種多樣，且不同人對不同情況所做出的駕駛策略應對也有所不同，因此類人的駕駛決策算法的優(yōu)化需要非常完善高效的人工智能模型以及大量的有效數(shù)據(jù)。這些數(shù)據(jù)需要盡可能地覆蓋到各種罕見的路況，而這也是駕駛決策發(fā)展的最大瓶頸所在。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知4.先進決策理論簡介

行為決策層結合當前的交通信息決策出合理行為執(zhí)行全局路徑規(guī)劃產(chǎn)生的命令。在早期研究如DAPRA比賽中，多是針對特定比賽的場景設計出些行為狀態(tài)，利用外部事件驅動狀態(tài)機完成狀態(tài)轉移。這類方法執(zhí)行效率高，缺點是從問題建模的角度看通用性較差，從決策角度看依賴對外部事件反應時的決策也同真實駕駛行為相差較遠，但它的成功應用也為解決行為決策問題提供了一種思路。層次狀態(tài)機是針對該問題的一種有效建模方法。上層負責根據(jù)行駛場景切換狀態(tài)，下層根據(jù)當前道路、交通等的具體情況做出決策。不僅可以降低狀態(tài)總維數(shù)；還可以減少下層的無效計算，提高整體計算效率。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知4.先進決策理論簡介（1）基于多準則的決策方法基于多準則的決策方法及其分支多屬性決策方法是一種適用于智能車輛進行合理決策的決策模型，該模型所得結果符合交通規(guī)則要求，并且可以保證車輛的行駛安全性要求。還可以通過對權重的配置考慮不同駕駛特性下的行為決策。這類方法在建立特性屬性時需要明確屬性值及其邊界值，但道路結構變化以及動態(tài)交通本身變化的存在，使得很難確定統(tǒng)一屬性值及邊界值。并且，這些方法并沒有考慮時間對駕駛特性的影響，比如，長時間跟隨較慢車輛必然會導致?lián)Q道意愿的增加。

該方法首先采用層次狀態(tài)機對行駛決策問題建模抽象出與行駛場景相關的若干狀態(tài)構成上層狀態(tài)機，它的功能是根據(jù)當前客觀行駛場景及相關交通法規(guī)確定當前可行的行駛行為，其狀態(tài)轉移由車輛的姿態(tài)、所處位置等與客觀行駛場景的相對關系決定。在下層狀態(tài)機中，用行為位置特性與行為速度特性表達不同的行駛行為，使得方法對多數(shù)場景具有普遍的適用性。在行為決策時，除了考慮傳統(tǒng)的屬性，還引入行駛不滿累積度的概念、反應時變的駕駛特性。最后，采用基于模糊理論的隸屬度概念對不同的行駛行為做出評價決策，不僅提高算法的適用性，還使行為決策結果符合實際駕駛人的操作。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知4.先進決策理論簡介（2）基于模糊決策的行為決策方法

自動駕駛車輛在復雜環(huán)境中做出最優(yōu)決策，這一問題與強化學習的定義非常吻合，因此如前文所述，隨著深度強化學習技術的快速發(fā)展，越來越多的研究團隊開始將其應用于自動駕駛決策規(guī)劃中，將行為決策與運動規(guī)劃模塊相融合，直接學習得到行駛軌跡。為了解決環(huán)境獎勵函數(shù)不易獲得的問題，人們還提出了首先利用逆強化學習(IRL)根據(jù)人類專家演示學習，然后再使用強化學習來學習最優(yōu)策略。數(shù)據(jù)驅動的方法就是通過大量的案例統(tǒng)計分析，得到模型，使得遇到類似問題的時候，不需要過多地考慮，直接套用數(shù)據(jù)驅動的模型獲得結果，數(shù)據(jù)驅動的方法其實就是基于經(jīng)驗的方法，只不過這些經(jīng)驗是模型通過大量的樣本數(shù)據(jù)學習得到的。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知4.先進決策理論簡介（3）強化學習和數(shù)據(jù)驅動方法

20世紀80年代初，JudeaPearl為代表的學術界出現(xiàn)了一種新的思路：從基于規(guī)則的系統(tǒng)轉變?yōu)樨惾~斯網(wǎng)絡。貝葉斯網(wǎng)絡是一個概率推理系統(tǒng)，貝葉斯網(wǎng)絡在數(shù)據(jù)處理方面，針對事件發(fā)生的概率以及事件可信度分析上具有良好的分類效果。它具有兩個決定性的優(yōu)勢：模塊化和透明性。因此，我們可以把深度學習的系統(tǒng)作為一個子模塊融入其中，專家系統(tǒng)可以是另一個子模塊，也融入其中，這意味著我們有了多重的冗余路徑選擇，這種冗余構成了貝葉斯網(wǎng)絡的子節(jié)點，將有效強化輸出結果的可靠性，避免一些低級錯誤的發(fā)生。透明性是貝葉斯網(wǎng)絡的另一個主要優(yōu)勢。對于自動駕駛而言，這尤為關鍵，因為你可以對整個決策的過程進行分析，了解出錯的哪一個部分?？梢哉f貝葉斯網(wǎng)絡是理性決策的極佳實現(xiàn)，適合用于設計整個決策頂層框架。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知4.先進決策理論簡介（4）貝葉斯網(wǎng)絡方法一、智能網(wǎng)聯(lián)汽車智能決策技術的認知

人工智能機器學習、深度神經(jīng)網(wǎng)絡以及聯(lián)網(wǎng)通信等技術的發(fā)展，進一步豐富了自動駕駛汽車發(fā)展的技術路徑，也促進了自動駕駛技術由單一的樣機演示向具有一定落地應用能力并可實現(xiàn)自主定位的典型交通場景的方向發(fā)展。（二）智能決策技術未來的發(fā)展趨勢人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。它意在探索智能的實質，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器。重要的應用領域就是自動駕駛，主要目標是使智能網(wǎng)聯(lián)汽車具備一定的自主學習能力，并能對簡單交通環(huán)境形成記憶性認知，現(xiàn)階段人工智能技術在智能網(wǎng)聯(lián)汽車領域的主要應用體現(xiàn)在以下幾個方面。1.人工智能一、智能網(wǎng)聯(lián)汽車智能決策技術的認知1.人工智能（1）實現(xiàn)對環(huán)境物體的識別與認知

利用多目視覺、激光雷達、毫米波雷達等傳感器件及識別算法，可以實現(xiàn)對實際道路環(huán)境中多曲面物體的準確識別。同時融入深度學習技術后，可對各物體三維空間尺寸及特征信息形成迭代分類，從而使自動駕駛汽車具有對多種類環(huán)境物體的識別與認知能力。（2）實現(xiàn)對可行駛區(qū)域的檢測

利用基于先進傳感器的地圖采集技術可以提取道路的詳細標注(標志、標線、信號燈等)和高精度位置(經(jīng)度、緯度、高度等)等信息，從而實現(xiàn)自動駕駛汽車對道路平面特征的提取，同時基于深度學習可實現(xiàn)對道路可行駛、不可行駛區(qū)域的認知識別。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知（3）實現(xiàn)行駛路徑的規(guī)劃與決策

決策規(guī)劃處理是人工智能技術在自動駕駛中的另個重要應用場景?，F(xiàn)階段主流的人工智能方法包括狀態(tài)機、決策樹、貝葉斯網(wǎng)絡等。伴隨著深度學習與增強學習技術的發(fā)展，現(xiàn)已實現(xiàn)了對復雜工況的決策并能進行在線優(yōu)化學習。由于在實際道路中影響駕駛路徑規(guī)劃的因素非常多，勢必會占用較多的計算資源。為提高計算效率，日本研究學者提出了“安全場”的研究思路，即形成典型交通場景作為深度學習神經(jīng)網(wǎng)絡的輸入，以提高自動駕駛汽車的決策效率，提升路徑規(guī)劃能力，如圖所示?；跈C器學習的非結構化道路檢測框架一、智能網(wǎng)聯(lián)汽車智能決策技術的認知基于人工智能網(wǎng)聯(lián)的車云協(xié)同自動駕駛系統(tǒng)構建方案示意圖2.智能網(wǎng)聯(lián)

結合通信技術的發(fā)展，運用車與車、車與路、車與人、車與云之間的實時通信技術，可為人工智能技術在自動駕駛技術應用過程中的數(shù)據(jù)、計算與算法等三大要素提供進一步支持，還可面向多車型、多場景智能駕駛需求，提供解決群體智能駕駛系統(tǒng)協(xié)同駕駛所面臨的問題?；谥悄芫W(wǎng)聯(lián)的車云協(xié)同自動駕駛系統(tǒng)的具體架構如圖所示。一、智能網(wǎng)聯(lián)汽車智能決策技術的認知3.智能計算平臺

自動駕駛汽車從交通運輸工具逐步轉變?yōu)樾滦鸵苿又悄芙K端。汽車功能和屬性的改變導致其電子電氣架構隨之改變，進而需要更強的計算、數(shù)據(jù)存儲和通信能力作為基礎，車載智能計算平臺是滿足上述要求的重要解決方案。

車載智能計算平臺主要完成的功能是以環(huán)境感知數(shù)據(jù)、導航定位信息、車輛實時數(shù)據(jù)、云端智能計算平臺數(shù)據(jù)和其他V2X交互數(shù)據(jù)等作為輸入，基于環(huán)境感知定位、智能規(guī)劃決策和車輛運動控制等核心控制算法，輸出驅動、傳動、轉向和制動等執(zhí)行控制指令，實現(xiàn)車輛的自動控制，并向云端智能計算平臺及V2X設備輸出數(shù)據(jù)，還能夠通過人機交互界面，實現(xiàn)車輛駕駛信息的人機交互。如今，打開一輛智能網(wǎng)聯(lián)汽車的行李艙，都是一堆計算設備，不但沒有地方放置行李，而且還要解決它的整個系統(tǒng)穩(wěn)定性問題。圖為福特第二代Fusion自動駕駛原型車行李艙中的計算設備。二、智能網(wǎng)聯(lián)汽車計算平臺的應用福特第二代Fusion自動駕駛原型車行李艙中的計算設備（一）智能網(wǎng)聯(lián)汽車計算平臺的硬件需求二、智能網(wǎng)聯(lián)汽車計算平臺的應用（一）智能網(wǎng)聯(lián)汽車計算平臺的硬件需求

當硬件傳感器接收到環(huán)境信息后，數(shù)據(jù)會被導入計算平臺，由不同的芯片進行運算。計算平臺的設計直接影響自動駕駛系統(tǒng)的實時性及魯棒性。對于自動駕駛這樣的復雜任務在設計軟件的同時，還必須考慮與之匹配的硬件效能，這里包括性能、功耗和功能安全。為了保證自動駕駛的實時性要求，我們需要保證軟件響應的最大延遲在可接受的范圍內，對于行李艙中的計算設備計算資源的要求也因此變得極高。目前，自動駕駛軟件的計算量達到了10個TOPS(每秒萬億次操作)的級別，這使得我們不得不重新思考對應的計算架構。事實上，整個數(shù)字半導體和計算產(chǎn)業(yè)的產(chǎn)業(yè)驅動力，正在從手機轉向自動駕駛，后者所需要的計算量比手機要大兩個數(shù)量級。二、智能網(wǎng)聯(lián)汽車計算平臺的應用（二）智能網(wǎng)聯(lián)汽車計算平臺的實現(xiàn)

我們介紹一個行業(yè)領先的L4級自動駕駛公司現(xiàn)有的計算平臺硬件實現(xiàn)，包括現(xiàn)有的不同芯片制造商所提供的無人駕駛計算解決方案。這個IA級無人駕駛公司的計算平臺由兩個計算盒組成。每個計算盒配備了一顆英特爾至強F5處理器(12核)和4到8顆NVIDIAK80GPU加速器，彼此使用PCE總線連接。CPU運算峰值速度可達400′s，功率需求400W。每個GPU運算峰值速度可達8TOPS，功率需求300W。因此，整個系統(tǒng)能夠提供64.5T0PS的峰值運算能力，其功率需求為3000W。計算盒與車輛上安裝的12個高精度攝像頭相連接，以完成實時的物體檢測和目標跟蹤任務。車輛頂部還安裝了一個激光雷達傳感器裝置以完成車輛定位及避障功能。為了保證可靠性，兩個計算盒執(zhí)行完全相同的任務。一旦第一個計算盒失效，第二個計算盒可以立即接管。在最壞的情況下，兩個計算盒都在計算峰值運行，這意味著將產(chǎn)生超過5000的功耗并積聚大量的熱量，散熱問題不容忽視。此外，每個計算盒的成本預計為2萬~3萬美元，價格相對昂貴。

GPU在浮點運算、并行計算等部分的計算方面能夠提供數(shù)十倍至上百倍的CPU性能。利用GPU運行機器學習模型，在云端進行分類和檢測，占用的數(shù)據(jù)中心的基礎設施更少，能夠支持(比單純使用CPU時)10-100的應用吞吐量。憑借強大的計算能力，在機器學習快速發(fā)展的推動下，目前GPU在深度學習芯片市場非常受歡迎，很多汽車生產(chǎn)商也在使用GPU作為傳感器芯片發(fā)展無人車，GPU大有成為主流的趨勢。研究公司TracticaLLC預計，到2024年，深度學習項目在CPU上的花費將從2015年的4360萬美元增長到41億美元，在相關軟件上的花費將從1.09億美元增長到104億美。二、智能網(wǎng)聯(lián)汽車計算平臺的應用（三）現(xiàn)有計算平臺的解決方案1.基于GPU的解決方案

憑借具備識別、標記功能的圖像處理器，在人工智能還未全面興起之前，NVIDIA就先步掌控了這一時機。2019年，NVIDIA發(fā)布了DRIVEAGX系列計算平臺，針對無人駕駛作業(yè)進行加速。NVIDIADRIVEAGXXavier在30W的功耗下可以提供30TOP/s的計算性能。二、智能網(wǎng)聯(lián)汽車計算平臺的應用1.基于GPU的解決方案

DRIVEAGX其實是NVIDIAPX2平臺的延續(xù)。在第一代PX2平臺中，每個PX2由兩個egraSoC和兩個PascalgPu圖形處理器組成，其中每個圖像處理器都有自己的專用內存并配備有專用的指令以完成深度神經(jīng)網(wǎng)絡的加速。為了提供高吞吐量，每個TegraSoC使用PCI-EGen2×4總線與PascalGPU直接相連，其總帶寬為4CB/s。此外，兩個CPU-GPU集群通過千兆以太網(wǎng)相連，數(shù)據(jù)傳輸速度可達70bit/s。借助于優(yōu)化的LO架構與深度神經(jīng)網(wǎng)絡的硬件加速，每個PX2能夠每秒執(zhí)行24兆次深度學習計算。這意味著當運行AlexNet深度學習典型應用時，PX2的處理能力可達2800幀/s。NVIDIAPX2平臺芯片如圖所示。NVIDIAPX2平臺芯片示意圖二、智能網(wǎng)聯(lián)汽車計算平臺的應用2.基于DSP的解決方案DSP以數(shù)字信號處理大量數(shù)據(jù)。DSP的數(shù)據(jù)總線和地址總線分開，允許取出指令和執(zhí)行指令完全重疊，在執(zhí)行上一條指令的同時就可取出下一條指令，并進行譯碼，這大大提高了微處理器的速度。另外，還允許在程序空間和數(shù)據(jù)空間之間進行傳輸，因此增加了器件的靈活性。它不僅具有可編程性，而且其實時運行速度可達每秒數(shù)以千萬條復雜指令程序，遠遠超過通用微處理器。它的強大數(shù)據(jù)處理能力和高運行速度是最值得稱道的兩大特色。它的運算能力很強，速度很快，體積很小，而且采用軟件編程，具有高度的靈活性，因此為從事各種復雜的應用提供了一條有效途徑。二、智能網(wǎng)聯(lián)汽車計算平臺的應用2.基于DSP的解決方案

德州儀器(TexasInstruments，簡稱TI)提供了一種基于DSP的無人駕駛的解決方案。其TDA2xS0C芯片，如圖所示，擁有兩個浮點DSP內核C66x和四個專為視覺處理設計的完全可編程的視覺加速器。相比ARMCortex-15處理器，視覺加速器可提供八倍的視覺處理加速且功耗更低。類似設計有CEVAXM4。這是另一款基于DSP的無人駕駛計算解決方案，專門面向計算視覺任務中的視頻流分析計算。使用CEVAXM4每秒處理30幀1080p的視頻僅消耗功率0.003W，是一種相對節(jié)能的解決方案。德州儀器TDA2xS0C芯片示意圖二、智能網(wǎng)聯(lián)汽車計算平臺的應用3.基于FPGA的解決方案

作為GPU在算法加速上強有力的競爭者，F(xiàn)PGA硬件配置最靈活，具有低能耗、高性能及可編程等特性，十分適合感知計算。更重要的是，F(xiàn)PGA相比GPU價格便宜(雖然性價比不一定最好)。在能源受限的情況下，F(xiàn)PGA相對于CPU與GPU有明顯的性能與能耗優(yōu)勢。FPGA低能耗的特點很適合用于傳感器的數(shù)據(jù)預處理工作。此外，感知算法不斷發(fā)展意味著感知處理器需要不斷更新，F(xiàn)PGA具有硬件可升級、可選代的優(yōu)勢。使用FGA需要具有硬件的知識，對許多開發(fā)者來說有一定難度，因此FPGA也常被視為一種行家專屬的架構。不過，現(xiàn)在也出現(xiàn)了用軟件平臺編程FPGA的方法，弱化了軟、硬件語言間的障礙，讓更多開發(fā)者使用FPGA成為可能。隨著FPGA與傳感器結合方案的快速普及，視覺、語音、深度學習的算法在FPGA上進一步優(yōu)化，F(xiàn)PGA極有可能逐漸取代GPU與CPU，成為無人車、機器人等感知領域上的主要芯片。

譬如，百度的機器學習硬件系統(tǒng)就用FGA打造了AI專有芯片，制成了AI專有芯片版百度大腦—FPGA版百度大腦。在百度的深度學習應用中，F(xiàn)PGA與相同性能水平的硬件系統(tǒng)相比，消耗能率更低，將其安裝在刀片服務器上，可以完全由主板上的PCIExpress總線供電，并且使用FPGA可以將一個計算得到的結果直接反饋到下一個，不需要將結果臨時保存在主存儲器，所以存儲帶寬要求也相應降低。二、智能網(wǎng)聯(lián)汽車計算平臺的應用3.基于FPGA的解決方案Altera公司的CycloneVSoC，如圖所示，是一個基于FPGA的無人駕駛解決方案，現(xiàn)已應用在奧迪無人車產(chǎn)品中。Altera公司的FPGA專為傳感器融合提供優(yōu)化可結合分析來自多個傳感器的數(shù)據(jù)以完成高度可靠的物體檢測。類似的產(chǎn)品有Zynq專為無人駕駛設計的UltraScaleMPSoc。當運行卷積神經(jīng)網(wǎng)絡計算任務時，UlraScaleMPsoc運算效能為14幀/s/W，優(yōu)于NVIDIATeslaK40GPU可達的4幀/s/W。同時，在目標跟蹤計算方面，UltrascaleCtrl&SchedMPSoC在1080p視頻流上的處理能力可達60fps。二、智能網(wǎng)聯(lián)汽車計算平臺的應用3.基于FPGA的解決方案德州儀器TDA2xS0C芯片示意圖二、智能網(wǎng)聯(lián)汽車計算平臺的應用4.基于ASIC的解決方案obileye是一家基于ASC的無人駕駛解決方案提供商。其Eyeq5SoC裝備有四種異構的全編程加速器，分別對專有的算法進行了優(yōu)化，包括計算機視覺、信號處理和機器學習等。Eyeq5SoC同時實現(xiàn)了兩個PCE端口以支持多處理器間通信。這種加速器架構嘗試為每一個計算任務適配最合適的計算單元，硬件資源的多樣性使應用程序能夠節(jié)省計算時間并提高計算效能。MobileyeEyeq5SoC結構示意圖如圖所示。MobileyeEyeq5SOC結構示意圖二、智能網(wǎng)聯(lián)汽車計算平臺的應用此外，Nervana是人工智能ASC芯片供應商，一直努力將機器學習功能全力引入芯片中。得到英特爾的支持后，Nervana正計劃推出其針對深度學習算法的定制芯片NeranaEngine。據(jù)Nervana相關人員表示，相比GPU，NervanaEngine在訓練方面可以提升10倍性能。借助NervanaEngine芯片在深度學習訓練方面優(yōu)于傳統(tǒng)GPU的能耗和性能優(yōu)勢，英特爾也相繼推出了一系列適應深度神經(jīng)網(wǎng)絡的特殊處理器。4.基于ASIC的解決方案二、智能網(wǎng)聯(lián)汽車計算平臺的應用5.其他芯片解決方案

谷歌公布了AlphaGo戰(zhàn)勝李世石的“秘密武器”—芯片“TPU”(張量處理單元)，它使得深度神經(jīng)網(wǎng)絡模型在每瓦特性能上優(yōu)于傳統(tǒng)硬件。相比更適合訓練的GPU，更適合做訓練后的分析決策的是TPU。這點在谷歌的官方聲明里也得到了印證：TPU只在特定機器學習應用中起輔助使用，公司將繼續(xù)使用其他廠商制造的CPU和GPU。因此，TPU目前還是用于輔助CPU和GPU。谷歌公司TPU芯片如圖所示。谷歌公司TPU芯片示意圖二、智能網(wǎng)聯(lián)汽車計算平臺的應用5.其他芯片解決方案

2016年4月16日，MITTechnologyRevie報道，DARPA投資了一款由美國SingularCom-puting公司開發(fā)的“SI”概率芯片。模擬測試中，使用S追蹤視頻里的移動物體，每幀處理速度比傳統(tǒng)處理器快了近100倍，而能耗還不到傳統(tǒng)處理器的2%。專用概率芯片可以發(fā)揮概率算法簡單并行的特點，極大地提高系統(tǒng)性能。其優(yōu)點包括算法邏輯異常簡單，不需要復雜的數(shù)據(jù)結構，不需要數(shù)值代數(shù)計算；計算精度可以通過模擬不同數(shù)目的隨機行走自如控制；不同的隨機行走相互獨立，可以大規(guī)模并行模擬；模擬過程中，不需要全局信息，只需要網(wǎng)絡的局部信息?！癝I”概率芯片，如圖所示?！癝I”概率芯片示意圖三、智能網(wǎng)聯(lián)國產(chǎn)芯片的發(fā)展（一）華為昇騰芯片2019年8月23日，下午3點華為副董事長、輪值董事長徐直軍在發(fā)布會上宣布，“昇騰910”正式推出。華為昇騰910芯片處理器是算力最強的AI處理器，如圖為華為昇騰910AI芯片處理器的外觀。1.發(fā)布背景華為昇騰910芯片昇騰910支持全場景人工智能應用，而昇騰310主要用在邊緣計算等低功耗的領域

，如圖所示為華為昇騰310AI芯片處理器。華為開創(chuàng)了一個新的架構，要有極致功耗和散熱，可以全場景覆蓋。2.主要功能華為昇騰310芯片三、智能網(wǎng)聯(lián)國產(chǎn)芯片的