虞正华|独家|中国厂商拿下自动驾驶大量订单,看AI如何造就汽车“大脑”?( 二 )


魔视智能通过将优化的人工智能计算引擎运行在业经验证的高性能、低功耗、可扩展嵌入式处理器上 , 使用单目或多目摄像头 , 结合多传感器融合 , 可实现准确实时的环境感知和车体定位系统 。 并在此基础上整合路径规划和整车控制技术 , 提供包括自动泊车、代客泊车、AEB和TJP在内 的多种自动驾驶系统 。
目前 , 魔视智能基于深度学习的车规级ADAS产品已经迭代了三代 。 第一代产品在今天看来是相对简单的深度学习模型 , 但是到了第二代 , 开始 构建面向自动驾驶的通用AI引擎。 这就像通用处理器 , 从系统设计角度来看 , 通用的AI引擎才能适应未来算法的不断演变和迭代需求 。
而第三代已经开始面向L3级域控制器开发 , 可以支持8Mpix及精度更高的检测效果、更广的视场角 。 魔视智能还特别开发了一套工具链来实现新的算法迭代 , 基于赛灵思的自适应计算可扩展异构计算处理器架构 , 以FPGA SoC作为主要计算平台、MCU满足功能安全的要求 。
虞正华|独家|中国厂商拿下自动驾驶大量订单,看AI如何造就汽车“大脑”?
本文图片

图:魔视智能技术规划概况
选择ADAS芯片平台的五大要素
硬件平台方面 , 魔视智能采用的是FPGA SoC(赛灵思Zynq SoC/MPSoC系列) 。 算法和FPGA平台的有效结合 , 让魔视智能拥有了灵活性、性能功耗及成本比例优势 。 不过一般来讲 , FPGA的开发门槛让一些公司望尘莫及 , 魔视智能选择FPGA方案的理由是什么?
虞正华指出 , FPGA 的实现确实需要团队对算法本身和FPGA 都有很强的基础 , 而且需要算法团队和FPGA 团队之间的密切配合 , 从开发角度把算法通过硬件的描述语言来实现 。 魔视智能不仅拥有一批软硬件人才 , 而且在开发的过程中 , 赛灵思中国以及全球技术与应用团队也提供了鼎力支持 。
最初在选择平台时 , 魔视智能几乎考察了所有可能的平台 , 包括FPGA 、ARM 平台、CPU 、GPU 等 , 综合考虑以下因素 , 最终选择了FPGA :
第一是算力 , FPGA 可以提供深度学习算法所需要的高算力 。 现存的一些量产项目使用的是传统芯片 , 但实际效果不太好 , 检出率甚至低到50%的情况都会出现 , 采用FPGA , 同等检出率可以从50% 提到95%。
第二是成本优势 , FPGA与其他芯片平台相比 , 特别是比CPU 性价比高很多 , 这对量产是很重要的因素 。
第三是集成度 , 现在的FPGA已经不是过去只有逻辑单元的FPGA , 它本身也是SoC , 有很高的集成度 , 包括逻辑单元、ARM 内核、GPU 和硬件的编解码技术 。
第四是灵活性 , 从硬件设计角度 , 有灵活应变的可编程逻辑单元 , 可以根据应用场景实现不同的功能 。 与传统SoC处理器相比 , 它的可扩展性给方案带来了灵活性 , 可在客户需求变化、标准变化的时候 , 在不更换芯片的情况下满足终端客户升级换代的需求 。
第五是安全性 , FPGA的架构决定了大部分系统是用硬件化的逻辑单元实现的 , 这种方式很可靠 , 同时芯片本身也遵循了汽车行业规范所做的设计 , 经过了严格的汽车安全功能认证 , 在安全方面也有充分保障 。
虞正华认为 , 赛灵思FPGA的芯片迭代与其未来的发展规划高度吻合 。 目前 , 魔视智能已经推出基于 赛灵思汽车级异构计算平台Zynq UltraScale+ MPSoC的自适应前装量产自动泊车系统。 这一芯片平台作为一款异构多核的处理器平台 , 已经超越了传统的FPGA产品 。 而下一代 自适应异构计算平台Versal ACAP, 拥有多个对应不同计算功能的可编程内核 , 这一平台更多面向未来的L3/L4 , 能够提供更强的算力以及更高集成度的SoC , 以这样的芯片为基础打造未来的域控制器 , 在算力、功能、成本上都能够保持非常高的竞争力 。
姚颂表示 , 赛灵思在积极推广基于FPGA 和ACAP 的自动驾驶与辅助驾驶平台 , 优势有三:一是赛灵思在车规级芯片设计领域有很深的积累、芯片质量可靠 , 可以满足用户对于可靠性的要求;二是可编程平台可以优化特定指标 , 比如针对性优化计算延迟 , 这点对于自动驾驶非常重要;三是赛灵思的产品线覆盖全面 , 从最小的芯片到极强算力的芯片 , 可以使用同一套设计、裁剪到不同尺寸 , 适配于不同的产品线 , 覆盖L0 到L3 不同场景 。 不过 , 基于FPGA 和ACAP 的方案对于技术公司的要求相对较高 , 相对于纯软件开发的方案成本也较高 , 赛灵思在努力帮助企业降低开发门槛和开发成本 。


推荐阅读