現(xiàn)在還有許多其他人正在競相處理所有這些車輛傳感器數(shù)據(jù)。其中，東芝一直在發(fā)展其 Visconti 圖像識別處理器系列，以滿足日益苛刻的歐洲新車評估計劃 （Euro NCAP） 要求。

從 2014 年開始，Euro NCAP 開始根據(jù)主動安全技術(shù)對車輛進行評級，例如車道偏離警告 （LDW）、車道保持輔助 （LKA） 和自動緊急制動 （AEB）。這些要求在 2016 年擴展到日間行人 AEB 和速度輔助系統(tǒng) （SAS）。2018 年，這些要求將進一步擴大，包括夜間行人 AEB，以及日間和夜間騎車人 AEB（圖 1）。

圖 1.歐洲新車評估計劃 （Euro NCAP） 的要求近年來有所擴展，包括許多高級駕駛員輔助系統(tǒng) （ADAS） 功能。

為了滿足能夠在白天和夜間環(huán)境中準確識別移動和靜止物體的視覺系統(tǒng)的需求，東芝的 TMPV7608XBG Visconti4 處理器等圖像識別處理器采用了一套計算技術(shù)（圖 2）。除了 CPU 和 DSP 之外，8 個硬件加速模塊使設(shè)備能夠高效地執(zhí)行高度專業(yè)化的汽車計算機視覺 （CV） 工作負載，例如仿射變換（線性映射）、過濾、直方圖、匹配和金字塔圖像生成。

圖 2. Toshiba TMPV7608XBG Visconti4 圖像識別處理器利用 CPU、圖像處理引擎 （DSP） 和圖像處理加速器（硬件加速器）來計算一系列汽車計算機視覺 （CV） 工作負載。

TMPV7608XBG 上的兩個新硬件加速模塊專門解決了夜間和移動/靜止物體檢測的挑戰(zhàn)：增強的定向梯度共現(xiàn)直方圖 （CoHOG） 和運動結(jié)構(gòu) （SfM） 加速器。

對于夜間 ADAS 應(yīng)用，增強型 CoHOG 加速器通過結(jié)合基于亮度和顏色的特征描述符來抵消物體與其周圍環(huán)境之間的低對比度，從而超越了傳統(tǒng)的模式識別。據(jù)東芝稱，增強型 CoHOG 加速器不僅可以減少物體識別所需的時間，而且可以在夜間實現(xiàn)與白天一樣可靠的行人檢測。

同時，SfM 加速器使用來自單目相機的連續(xù)圖像來開發(fā)高度、寬度和到對象距離的三維估計（圖 3）。因此可以在沒有任何學(xué)習(xí)曲線的情況下檢測靜止物體，并且可以應(yīng)用運動分析和模式識別來檢測運動物體，例如行人或車輛。由于 3D 信息減少了圖像中的感興趣區(qū)域，ADAS 系統(tǒng)能夠更快地識別障礙物并做出反應(yīng)。

圖 3. TMPV7608XBG 的運動結(jié)構(gòu) （SfM） 加速器使用三維映射來檢測靜止和移動物體。

這些加速器與 TMPV7608XBG 的 DSP 子系統(tǒng)中的八個媒體處理引擎 （MPE） 一起運行，每個都配備雙精度浮點單元 （FPU）。因此，該設(shè)備可以同時并行執(zhí)行 8 個圖像識別應(yīng)用程序，響應(yīng)時間為 50 毫秒。以 266.7 MHz 的時鐘頻率運行，與之前的 Visconti 處理器相比，這意味著處理時間減少了 50%（圖 5）。

圖 5. TMPV7608XBG Visconti4 處理器的性能與上一代 Visconti 處理器相比，處理時間減少了 50%。

東芝公開的 Visconti4 圖像識別處理器設(shè)計中標包括 DENSO Corporation 的基于前置攝像頭的主動安全系統(tǒng)。

人工智能和自動駕駛對計算的需求

但圖像處理只是當今汽車安全系統(tǒng)中的一塊拼圖。除了攝像頭之外，現(xiàn)代 ADAS 應(yīng)用和半自動車輛還依賴于雷達、激光雷達、接近傳感器、GPS、車聯(lián)網(wǎng) （V2X） 連接和其他有源組件的輸入。來自所有這些輸入的數(shù)據(jù)必須實時處理、分析和融合，以便在危險情況下迅速采取糾正措施。

人工智能 （AI） 似乎是在自動和半自動車輛用例中執(zhí)行駕駛策略和做出實時決策的理想技術(shù)。然而，傳統(tǒng)的基于云的 AI 實現(xiàn)不適合汽車安全應(yīng)用，這主要是因為與數(shù)據(jù)傳輸相關(guān)的延遲，還因為隱私、安全、成本和網(wǎng)絡(luò)覆蓋問題。

作為替代方案，能夠運行片上人工或深度神經(jīng)網(wǎng)絡(luò) （ANN/DNN） 的超級計算機級處理器正在被設(shè)計到特斯拉等汽車安全系統(tǒng)的電子控制單元 （ECU） 中。例如，NVIDIA 聲稱其 Drive PX Pegasus 平臺的變體將提供高達每秒 320 萬億次深度學(xué)習(xí)操作 （TOPS），這對于 5 級自動駕駛汽車來說已經(jīng)足夠了。

不幸的是，這些處理器也有其自身的挑戰(zhàn)。除了相當大的功耗和單位成本外，這些芯片的裸片尺寸也很大（圖 7）。如果將每年生產(chǎn)的大約 1 億輛汽車中的每輛都考慮到一個這樣的處理器，那么汽車市場的需求量將是目前為智能手機生產(chǎn)的芯片的三倍。這遠遠超過了當前的硅晶片制造能力。

圖 7.雖然高性能處理器提供了運行片上神經(jīng)網(wǎng)絡(luò)以實現(xiàn)完全自動駕駛的計算能力，但目前生產(chǎn)它們所需的芯片尺寸超過了硅晶圓的制造能力。資料來源：英偉達和伯恩斯坦研究。

同樣，DSP IP 模塊提供的解決方案更適合嵌入式汽車用例，CEVA 深度神經(jīng)網(wǎng)絡(luò) （CDNN） 就是一個例子。CDNN 包括神經(jīng)網(wǎng)絡(luò)生成器、軟件框架和硬件加速器，專為與 CEVA-XM 成像和視覺 DSP 內(nèi)核配合使用（圖 8）。這里的價值主張是降低功耗、降低成本以及在整個系統(tǒng)設(shè)計中分配智能的能力。

圖 8. CEVA 深度神經(jīng)網(wǎng)絡(luò) （CDNN） 是一個用于在嵌入式 DSP 上開發(fā)、生成和部署神經(jīng)網(wǎng)絡(luò)的工具包。

CDNN 的核心是像 CEVA-XM6 這樣的 DSP，它包括矢量和標量處理單元以及 3D 數(shù)據(jù)處理模式。矢量和標量處理單元使 -XM6 非常適合傳感器數(shù)據(jù)融合，而其 3D 數(shù)據(jù)處理方案有助于加速神經(jīng)網(wǎng)絡(luò)性能（圖 9）。在 CDNN 環(huán)境中，這些 DSP 配備一個或多個硬件加速器，在卷積神經(jīng)網(wǎng)絡(luò) （CNN） 處理中每個周期提供 512 次乘法累加 （MAC） 操作。所有其他神經(jīng)網(wǎng)絡(luò)層——任何類型或數(shù)量——都由 DSP 本身運行。

圖 9.矢量和標量處理單元與 3D 數(shù)據(jù)處理方案相結(jié)合，使 CEVA-XM6 DSP 非常適合汽車安全和人工智能工作負載。

但 CDNN 工具包的獨特之處在于 CEVA 網(wǎng)絡(luò)生成器。網(wǎng)絡(luò)生成器將在 Caffe 和 TensorFlow 等框架中開發(fā)的預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換為可以在嵌入式系統(tǒng)中運行的實時神經(jīng)網(wǎng)絡(luò)模型。從那里，第二代 CDNN 軟件框架可用于應(yīng)用程序調(diào)整。

據(jù) CEVA， Inc. 稱，CDNN 工具包處理 CNN 的速度比基于 GPU 的替代方案快四倍，能效提高 25 倍。該公司負責(zé)市場情報、投資者和公共關(guān)系的副總裁 Richard Kingston 表示，該技術(shù)目前在汽車領(lǐng)域獲得了超過五項設(shè)計勝利，著名的合作伙伴是安森美半導(dǎo)體、NEXTCHIP 以及正在使用的一級汽車 OEM它在完全自主的車輛設(shè)計中。

審核編輯：郭婷