自动驾驶需要一次满足效能、功耗和成本要求的专门AI算法

作者：DIGITIMES谢明珊

人工智能(AI)和机器学习(ML)的技术发展，堪称近10年最伟大的科技创新。虽然AI算法早已存在多年，但直到最近数据量和运算能力大幅成长，才有机会运用到生活各层面，其中最受瞩目的就是自驾车。

AI神经网络对于自驾车是至关重要的技术，自驾车有赖精密的传感器，来收集汽车本身和周围环境的数据。这些传感器包括激光雷达、雷达、摄影机等，会实时产生周围环境的大量数据，再交由神经网络来整合数据，形成有意义的信息让自驾车做出实时反应。

然机器学习算法大多是在云端或数据中心执行，配备大量处理器或图形处理器，还要有充足的冷却系统，但是自驾车不一样，必须有实时反应的能力，因此需要专门设计的算法，达成效能、功耗和成本的多方要求。

此外，在硬件执行机器学习算法有难度，以常见卷积神经网络(CNN)为例，这是常见的物体侦测算法，在“主动车距控制巡航系统”(ACC)和“汽车防撞系统”大有可为。CNN分很多层次，每一层卷积滤波器都是“特征传感器”，专门发现水平线、垂直线等特征。不过，输入和输出的通道容易倍增，进而导致卷积滤波器数量和重量暴增。

由此可见，在硬件执行机器学习算法并不简单，为了达到一定的准确度，自驾车的推论芯片势必要克服几个挑战。一是效能，每一个高分辨率镜头，每秒要捕捉60帧1920×1080高分辨率影像，一部车可能会配备10多个镜头。二是功耗，AI推论相当耗能，尤其是需要取用远端存储器的时候。三是功能安全性，随时侦测硬件的各种功能安全问题。