1、摘要

人工智能（AI）为车辆提供了查看，思考，学习和驾驭各种驾驶场景的能力。

Gyrfalcon Technology Inc.（GTI）利用人工智能和深度学习为无人驾驶提供突破性的解决方案 -– 为设备、边缘端、云端提供无与伦比的算力、功效和可扩展性能。

近年来，无人驾驶系统引起了人们极大的兴趣。汽车行业的领导者正在自动驾驶汽车领域投入大量资金和工程资源。由于在实时安全操作决策和响应严格性能要求，构建自动驾驶系统尤其具有挑战性。尽管近年来技术不断进步，但这类系统在很大程度上仍处于无人驾驶汽车的试验和架构评估阶段。在过去的几年里，深度学习(DL)在解决感知、规划、定位和控制等领域的机器任务方面取得了显著成效。DL 具有从真实环境中获取复杂数据学习的出色能力，因此非常适合于多种机器自动化的应用。此外，机器的视觉计算和视频分析将很快承担起无人驾驶汽车(AV)、智能传感器、智慧城市、安全和监控、仓库管理等领域的大数据分析。

我们将分三次连载介绍人工智能推理在AV中的应用，并对其深度学 习体系结构、机器视频(VFM)的创新和支持5G技术进行了详细的说明。最后，我们描述了在基于AV的解决方案中应用深度学习的主要挑战和解决方案。

介绍

当今社会逐渐以多媒体为中心，数据的依赖和自动化。无人驾驶系统正在占领我们的道 路，海洋和空域。在某些应用领域，自动化，分析与智能正在超越人类。计算机视觉和机器视 频将在我们未来的数字世界中发挥着重要作用。数百万智能传感器将嵌入汽车，智慧城市，智 能家居甚至仓储。此外，5G技术将成为一个完全连接的智能世界数据的高速公路，有望承担起 从人到机器甚至机器人的一切连接--需求将是巨大的。

一个多世纪以来，汽车工业一直是一个重要的经济部门，它正在朝着无人驾驶和车联网的方向发展。汽车变得越来越智能，对人类操作的依赖也越来越少。车辆与车辆(V2V)和车辆与物 链接(V2X)，其中来自传感器和其他来源的信息通过高带宽、低延迟和高可靠性来传播，为完全 无人驾驶铺平道路。无人驾驶技术推广背后的主要引人注目的因素是减少死亡和事故。无人驾 驶汽车将在实现汽车行业“零事故”、“零排放”、“零拥堵”的宏伟愿景中发挥至关重要的作用。

根据Tractica的预测[1]，到2025年汽车人工智能硬件，软件和服务市场将达到265亿美元，高于2017年的12亿美元（图1）。这包括机器学习，深度学习，NLP，计算机视觉，机器推理和强大的AI。麦肯锡估计，到2030年[2]，完全无人驾驶汽车可占全球机动车销量的15％，到2040年这一数字将上升至80％，这些都取决于车辆监管方面，消费者接受度和安全记录等因素。无人驾驶仍然是一个相对新生的市场，在市场扩大之前，许多系统的优势将无法体现出来。

图1-2017~2025年期间AI汽车市场预测

智能汽车的定义

通过复杂的传感器和摄像头网络，重建外部环境，为智能汽车实现全无人驾驶体验。

无人驾驶车辆处理由摄像机，激光雷达，雷达和超声波传感器收集的信息，以告知汽车与周围物体的距离，路边，车道标记，交通信号和行人的可视化信息。

与此同时，随着嵌入式系统，导航，传感器，可视化数据和大数据分析的最新进展，我们正在目睹车辆和移动边缘计算能力的日益增长，将首先应用于高级驾驶辅助系统（ADAS），包括紧急制动，备用摄像头，自适应巡航控制和自动泊车系统。
 
在引入由汽车工程师协会（SAE）定义的六级自动化之后，完全无人驾驶汽车将逐渐成为现实，如图 2 所示。这些级别包括无自动化，有条件自动化（人工参与）到全自动汽车。随着自动化程度的提高，车辆将从驾驶员手中接管更多 任务。ADAS 主要属于自动化的 1 级和 2 级。汽车制造商和技术公司，如 Waymo、优步(Uber)、特斯拉(Tesla)，以及一些一级汽车制造商，正在大举投资提高驾驶自动化水平。

图 2-无人驾驶汽车的 SAE 标准

随着人工智能技术创新的快速增长，人们越来越多地接受 4 级解决方案，主要针对在高速公路条件下行驶的车辆。虽然目前 3 级和 4 级之间的障碍主要是控制方面的，但 4 级和 5 级之间的门槛要大得多。后者要求具备驾驭复杂路线和不可预见环境的技术能力，而这些目前都需要人类的智慧和控制。

随着自动化水平的提高，将需要更多的传感器、处理能力、内存、高效功耗和网络带宽管理。图 3 显示了各种 AV 功能，图 4 显示了基于顶级汽车制造商设计的不同级别 AV 自主所需的传感器数量。

图 3 - 无人驾驶所需的传感器

图4 - SAE定义的AV等级及传感器数量

汽车和车载通信的最新进展推动了深度学习，边缘计算和车辆互联网的融合。机器视频编码（MPEG-VCM）的标准[3]，是另一种面向机器的视频处理和编码可视化数据应用新兴技术。

强大的人工智能加速器在边缘进行推理、基于标准的机器视频压缩和分析算法 (MPEG- I 汽车和车载通信的最新进展推动了深度学习，边缘计算和车辆互联网的融合。机器视频编码（MPEG-VCM）的标准[3]，是另一种面向机器的视频处理和编码可视化数据应用新兴技术。

在随后的章节中，将讨论以下关键的驾驶汽车技术：

1. 智能边缘计算  2. 机器视频编码（(VCM)

图 5 - 高性能的边缘推理、机器处理视频和 5G V2X 是实现无人驾驶汽车的关键因素

无人驾驶边缘计算

无人驾驶汽车所需的大量传感器，海量数据，不断增加的计算能力，实时操作和安全问题，正在推动在云端计算的核心，往边缘端发展。无人驾驶车辆不断感应并发送有关道路状况，位置和周围车辆的数据。无人驾驶汽车每秒产生大约 1GB 的数据[4] - 由于网络带宽和延迟，即使是将部分数据发送到云端服务器分析也是不切实际的。

由于大量的数据传输、延迟问题和安全问题，现行的云计算服务架构阻碍了为无人驾驶汽车提供实时人工智能处理的实现。因此，深度学习作为人工智能的主要代表，可以将这些问题集成到边缘计算框架中。边缘计算解决了延迟敏感的控制，如对象跟踪和检测、位置感知以及云计算中面临的隐私保护等问题。

只有在不依赖于远程资源的情况下，对采集到的数据进行本地处理，实时做出决策和预测，才能实现边缘计算的真正价值。只有当边缘计算平台能够加载预先训练好的深度学习模型，并且拥有本地执行实时推断的计算资源时，这才可能发生。延迟和本地化是边缘计算的关键因素，因为数据传输延迟和上游服务中断是不可容忍的，并引发了无人驾驶汽车的安全问题(ISO26262)。例如，车辆上的摄像头传感器应该能够在不依赖云计算资源的情况下，在 3ms 内探测并识别周围环境并且有高可靠性(99.9999%)。例如，对于速度为120km/h 的车辆，1ms 的往返延迟相当于车辆与静态对象之间的 3cm 或两辆移动车辆之间的6cm。

5G (V2X)连接的车辆

目前，无人驾驶车辆应用中现有的车载 AI 计算任务，包括目标检测、语义分割、路面跟踪、标志和信号识别等，主要依赖于 CPU、GPU 或 FPGA 等通用硬件。然而，对于无人驾驶和嵌入式应用程序，应该考虑功耗、速度、精度、内存开销、芯片尺寸和 BOM 成本。虽然高功耗的 GPU 可以通过冷却来满足散热，但同时也显著降低行驶里程和车辆的燃油效率。因此，这需要更经济、更高效、基于人工智能加速优化的芯片，如领域特定的基于人工智能推理的 ASIC，实现在边缘端对深度学习推理能力的加速。

AI 无人驾驶边缘计算优势

最近无人驾驶在提高车辆安全和效率方面作出了重大努力。车辆通信和 5G C-V2X 技术的进步，为车辆之间、车辆与基础设施网络之间提供可靠的通信连接。边缘计算最适合于带宽紧张和延迟敏感的应用，例如无人驾驶汽车，因为安全原因需要立即采取行动和作出反应。

无人驾驶系统极其复杂，它们紧密集成了许多技术，包括传感、定位、感知、决策，以及与云平台的流畅交互，用于高清地图生成和数据存储。这些复杂性给无人驾驶边缘计算系统的设计带来了诸多挑战。

车辆边缘计算(VEC)系统需要实时处理大量的数据。由于 VEC 系统是移动的，它们通常有非常严格的能耗限制。因此，即使是在高速[5]上也要以合理的能耗提供足 够的计算能力，来保证无人驾驶汽车的安全。

为无人驾驶汽车设计一个边缘计算生态系统的首要挑战是提供实时处理、足够的计算能力、可靠性、可伸缩性、成本和安全性，从而保证无人驾驶汽车用户体验质量和用户安全。

表 1 为车辆边缘计算与车辆云计算比较。

表 1 - 车辆边缘计算与车辆云计算的比较

在接下来的第二部分连载中，我们将介绍智能边缘计算对于无人驾驶的一些关键优势。

我爱方案网是GTI的授权代理商，欢迎联络我们采购GTI的AI芯片，共同推动AI应用落地。更多元器件采购需要，欢迎来中电快购！

查看相关文章

GTI智能驾驶深度解读（二）：边缘计算对于无人驾驶的关键优势

GTI智能驾驶深度解读（三）：AI机器视觉、5G将在全无人驾驶中起关键作用