所谓的自动驾驶车辆(robo-car)是如何──实时、安全且准确地──感知周遭的世界？如果你认为这是一个已经有解答的问题，可能得再想一想。
总部位于美国硅谷(Mountain View, Calif.)、专长先进自动驾驶辅助(ADAS)与高度自动化驾驶技术的新创公司DeepScale近日接受EE Times独家专访时，介绍了该公司独特的“感知系统”解决方案；该公司所开发的感知技术是汲取原始资料(raw data)而非目标数据(object data)，并以嵌入式处理器来加速传感器融合。
“今日的深度神经网络(DNN)研究有很大一部分，是以现有DNN进行调整或修改；”DeepScale首席执行官Forrest Iandola分享他的观察，不过表示在该公司的情况是：“我们从头开始利用原始数据开发自己的DNN－－那些数据不只来自影像传感器，还有雷达与光达(lidar)。”
早期融合vs.晚期融合
车用视觉技术Vision Systems Intelligence (VSI)顾问公司创办人暨首席顾问Phil Magney认为，DeepScale的解决方案“非常新颖”，代表了“将AI导入自动驾驶的最新想法”。那么DeepScale方案－－利用原始数据来训练神经网络－－与其他传感器融合方法有甚么不同？
对此Magney表示：“首先，今日大多数传感器融合应用是融合目标数据而非原始数据；再者，于大多数的案例中，智能传感器在传感器中产生目标数据，同时其他传感器会传送原始资料到主处理器－－在其中，目标对象会在馈入融合引擎之前被产生。”他将这种方法称为“晚期融合”(late fusion)。
*晚期融合：传统的传感器融合方法
（来源：DeepScale）*
显然，DeepScale的Iandola是看到了这种“晚期融合”方法的内在问题；他点出融合目标数据与原始数据会遭遇的问题，特别是当传感器融合任务得处理不同种类的传感器数据时：“试想光达产生的3D点云(point cloud)；当你要在传感器中重新建构3D点云，你也会收到来自摄影机的数据，而后者的画面刷新率(frame rate)大不相同。”
Iandola指出，在建立目标时，原始数据可能会与流失的其他感测数据相关联；想象当阳光直接照射到车用摄影机镜头的那一刻，或者是雪覆盖住雷达。此外当传感器数据与其他传感器数据不一致的情况发生时，进行目标融合会变得非常具挑战性。
*DeepScale 的解决方案是深度神经网络传感器融合
（来源：DeepScale）*
“这是为甚么我们相信必须要在早期而非晚期进行原始数据融合，而且要在更接近传感器的地方进行；”Iandola表示：“我们认为早期融合有助于解决上述问题。”
自家设计的DNN
计算机视觉是其中一个已经存在、发展良好的DNN框架，很多早期自动驾驶车辆技术开发商是利用这种框架；但对其他传感器资料例如雷达与光达，并没有太多经过训练的DNN。这也是DeepScale希望能抢进的领域－－而且该公司具备自行设计DNN的技术能力与经验。
Iandola是还在学界时与加州大学伯克利分校(UC Berkeley)的研究人员，一起合作开发出名为SqueezNet的DNN模型；那些研究人员现在也有几位加入了DeepScale。他表示，SqueezNet并非是为自动驾驶应用量身打造，他的团队开发该模型：“是为了让它的尺寸尽可能小一点，同时又能在计算机视觉数据集方面保有合理的准确度。”
而Iandola也参与过开发一个类似的DNN框架FireCaffe，是为了加速训练以及实现嵌入式实作而设计；在一篇论文中，他与他的团队声称，FireCaffe能成功将深度神经网络训练扩展至一整个绘图处理器(GPU)丛集。
在被问到雷达与光达缺乏DNN框架的问题时，Iandola表示：“这是有充分理由的，因为长期以来，摄影机仍是最受欢迎(也是最容易取得)的传感器，并已经产生大量数据；你从YouTube就可以抓到足够的数据，结合地图信息，那些可用数据使得建构DNN框架容易得多。”
目前DeepScale正在与几家雷达与光达供货商合作，着手为车厂开发经过充分训练的算法；Iandola表示，该公司的合作伙伴包括雷达与光达领域老牌供应商以及新技术开发，其Deep目标是催生不一定需要客制化的DNN，同时又能从各种传感器(包括新式传感器)汲取数据。
DeepScale声称，他们是采用“来自多个传感器的共有信息，以最大化准确度并解决不确定性”；此外，“标记过的训练数据能横跨不同的传感器数据集重复使用，仅需要最小化的重新校准”。
VSI的Magney认为DeepScale解决方案声称能“传感器未知”(sensor agnostic)以及其DNN能在不同处理器平台上执行的特性是大加分：“这能让车厂以及一阶零组件供应商打造以AI为基础的环境建模(environmental modeling)解决方案，不需要自己训练网络或是撰写算法。”
编译：Judith Cheng
本文授权编译自EE Times，版权所有，谢绝转载
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”。
