为自动驾驶汽车开发ASIL soc做好准备

人工智能(AI)和深度学习使用神经网络是一种功能强大的技术支持高级驾驶员辅助系统(ADAS),在车辆更大的自治权。作为人工智能研究移动迅速,设计师正面临激烈的竞争,提供高效、灵活、可伸缩的硅和软件处理深度学习汽车应用程序像推测在嵌入式视觉。虽然这些技术可以免费适用于车辆的non-safety-critical方面,如信息娱乐系统,的会议功能安全要求的ASIL D水平设计师应当三思而后行。选择证明,ASIL-Ready IP,发展安全文化,建立严格的流程和政策,和使用安全经理需要设计师来满足其ISO安全要求和实现ASIL准备使用神经网络系统。广泛的模拟、验证和测试,与结构化验证计划,还将要求满足标准的要求可视化ICs。

人工智能应用可视化ADAS系统
AI和深度学习改善ADAS系统和启用自动车辆,因为它们显著改善对象和行人检测与识别的准确率的多个对象,传统算法在执行时遇到了麻烦。AI使汽车进行语义分析的环境,这是至关重要的,当你的车需要评估环境和事件在附近。

人工智能的两个主要的领域出现在汽车信息娱乐应用程序与人机界面(HMI),和ADAS或自主车辆。一个人机界面包括语音识别(自然语言接口)、手势识别,和虚拟援助,已经部署在今天的汽车。这些系统也开始利用深度学习进步,和不再仅仅依赖于通用的人工智能。第二个区域,ADAS /自主车辆,要复杂得多。这些系统使用摄像头,长程和短程雷达系统,激光雷达目标识别,预测环境评价,甚至行动。

人工智能是如何改变软件开发吗
从软件的角度来看,深度学习创建一个重要的范式转变的编程和算法的实现。与传统计算机视觉,设计师将编写一个程序,找出如果,例如,一个特定的形状是一个人在一个行人检测应用程序。程序分析每个图像的视频输入逐帧来确定图像包含了一个人。histogram-oriented梯度(猪)算法,一个对象检测技术开发深度学习之前,分析边缘方向的形状在一个图像来检测特定对象(图1)。

图1:面向梯度的柱状图。在过去,大多数模式识别与项目任务进行向量处理单元,像猪一样,为特征提取手写的。来源:直方图的梯度的中间人和组织。

使用传统的计算机视觉算法像猪可以多年的工程努力工艺品算法来确定一个完整的对象作为你添加汽车,不同类型的卡车,狗,自行车等等。一个神经网络,另一方面,将原始输入数据,并使用它来“学习”如何决定找到图像中。一个神经网络输入层和输出层,深层神经网络,其中包括三个或三个以上层,有多个隐藏层之间的输入和输出层(图2)。每个层包括各个节点,可以学习,并且每个节点加权根据multiply-accumulates喂养到节点。这个过程是神经网络的训练的一部分,不是直接编程。

图2:深层神经网络(款)。网络与大型数据集“训练”“学习”进行分类或检测对象;作为网络学习,权重(或系数)调整和改进。

在神经网络中,每个节点与其他节点。其多层取代传统的计算机视觉算法检测等许多应用程序对象,分类的对象,面部识别,手势识别,等等。它不完全取代需要一个可编程解决方案,作为预处理和后期处理是必需的。然而,因为他们的精度得到显著提升,款已经成为事实上的标准分类、检测、识别、和类似的分析。

卷积神经网络图像识别
卷积神经网络(cnn)是一种特定类型的款,已成为最先进的图像识别技术。CNN流程每个图像的逐帧视频输入。使用一个CNN,每个图像卷积过滤器生产中间特征图。这是重复的多个层提取底层特征,中层功能,和高级功能的应用程序如行人检测的自动紧急制动(AEB)系统(图3)。

图3:一个CNN将图像分解为特征的地图。来源:深卷积神经网络对行人检测。米兰:Dipartimento di Elettronica Informazione e Bioingegneria,米兰理工大学,2016。网络,2017年3月14日。

低级特征可能是曲线或边。中层特征可能是圆(曲线)的组合,或盒子或广场(边缘)的组合,等等,直到形状如手臂,腿和躯干标识(假设网络被训练识别行人)。最后一层是完全连接到把所有的分析。从本质上说,计算机或机器需要一个图像,打破它分解成小块,然后再构建做出决定:是一个行人,基于这些曲线和边缘和线条,还是没有一个行人?这个决定是基于CNN的训练阶段。

培训和部署有线电视新闻网
人工智能应用程序的编程经验已经从传统的计算机编程,现在有两个阶段(图4)。第一阶段,培训,网络训练识别项。第二阶段,推理或部署,包括硬件运行在嵌入式环境中,即,在车里。训练阶段通常发生在云数据中心,与一个或多个gpu,推理阶段发生在最终产品中。

图4:训练阶段发生在云服务器上或农场,而推论阶段发生在等最终产品自主车。

网络是由喂养它注释图像训练在训练阶段。网络学习的识别所需的对象通过调整系数,或权重,通过多次迭代的网络。如果网络训练好,权重和网络可以被转移到对象可以被识别的嵌入式系统在推理阶段在一辆汽车。在推理阶段的输出神经网络本质上是一个概率神经网络的训练。如果是训练有素的寻找一个行人,神经网络将返回一个概率输入图像包含一个行人。下一步是把它带到一个更高的水平,确定汽车做决定如何处理图像,就像一个停车标志。人工智能和深度学习在这个阶段中同样适用,因为系统可以被训练在不同情况下该做什么。

人工智能与硬件开发
培训过程的输出是一个32位浮点数。对于汽车推断法实现,设计师正在寻找最小的、最准确的硬件可能因为功能性安全和权力的挑战。了解一些决议与区域和力量使设计师创建最小的硬件。在过去的几年里,硬件开发结合这些新的神经网络算法创建小型,快速、低功耗soc嵌入式CNN能力。

嵌入式视觉处理器,如DesignWare EV6x嵌入式视觉处理器与紧密集成CNN(图5),使设计师能够扩展他们的设计,同时满足他们的表现,权力,和区域需求。标量和矢量单位执行预处理和后处理,而CNN引擎管理深度学习任务。当然,这些有效的软件项目是至关重要的。

图5:DesignWare EV6x嵌入式视觉处理器。

神经网络是硬件开发人员的一个移动的目标
的挑战之一是硬件设计,利用人工智能技术,当然,这是一个移动的标靶。神经网络是不断变化的。分类网络从AlexNet演变GoogLeNet ResNet和超越。对象识别、分类和定位的组合不仅识别的对象是什么,而且它在哪,又增加了一层复杂性和进一步的计算需求。这也是一种快速变化的神经网络与区域CNN (RCNN)让位给快RCNN让位给快RCNN现在SSD和YOLO变体。意思

添加计算挑战,摄像机和决议在汽车正在改变。今天的车有1或2像素的摄像头,原始设备制造商正在推出3或4像素的摄像头,和8个像素的相机在管道。那么多分辨率给你更多能见度也驱使设计师集成更多的处理能力。提高帧速率从今天的15 - 30 fps未来60 fps将使更短的停车距离只要延迟仍然很低。

分辨率和帧速率的增加意味着一个神经网络,提供64年multiply-accumulates几年前就足够了,但不久之后要求改为800 - 100 mac。今天,设计师正计划50 TeraMACs / s的性能与低功率预算来处理多个摄像头。

协助设计师解决这些快速变化的需求,Synopsys对此提供了DesignWare EV6x嵌入式视觉处理器,其中包括一个专门的神经网络引擎和视觉核心,以及MetaWare EV工具包。结合传统的计算、神经网络引擎,和软件使设计者创建两个小区域soc驾驶昏睡检测以及快速、安全至上的soc自主驾驶。DesignWare解决方案开发规模对于广泛的应用程序,但使用相同的基本硬件和软件构件。

图6:DesignWare EV6x处理器可以实现一个小880 CNN引擎设计,到更大的CNN沿着AXI总线性能。的DesignWare EV6x处理器目前部署在低功耗,高性能的包括汽车设计。

会议功能安全标准
ADAS应用人工智能和神经网络正逐步得到改善,使无人驾驶车辆,然而公众不会接受这些自主车辆没有一个强有力的安全系统的信心。汽车工业要求车辆系统功能正确,以避免危险情况,并且可以显示能够检测和管理的缺点。这些要求都是由ISO 26262功能安全标准,和汽车安全完整性水平(ASIL)它定义了。

图7:定义不同层次的汽车安全完整性水平。

深度学习系统的地方在ISO 26262的要求仍被定义。也许对于信息娱乐系统,这将是很简单的实现ASIL水平b。但当我们走向越高安全性的应用程序要求ASIL C和D时,设计师将需要添加冗余系统。他们还需要开发的政策、流程和文档策略满足严格的ISO 26262认证要求。

在这种情况下,运行在50 TeraMAC / s是第一个挑战,但是设计师需要添加冗余和容错以满足ASIL需求。Synopsys对此投资到解决方案,帮助设计师实现ASIL B等系统信息娱乐,和ASIL D对安全性要求苛刻的应用程序。开发一个满足ASIL SoC B要求一个SoC可能不能接受第二SoC的迭代,因为接下来的设计可能需要满足ASIL D更自主车辆的要求。

除了广泛的投资组合ASIL B和D ASIL IP, Synopsys对此有着丰富的经验满足ISO 26262的要求,可以分享我们经验发展安全文化,建立验证计划,并进行故障模式效应和诊断分析评估。与SGS-TUV Synopsys对此也有合作,可以加快SoC的安全评估和认证。

总结
汽车系统设计师已经使用传统embedded-vision算法。车辆自主的关键推动者之一将是人工智能技术的应用,尤其是基于深度学习算法实现等多层cnn嵌入式视觉。这些算法显示伟大的承诺的对象识别、分割和分类任务所需车辆的自治权。

人工智能汽车系统的集成是改变软件和硬件工程师设计系统,当他们满足性能的高酒吧,力量,区域,和功能安全。与一个IP供应商有提供ASIL-ready IP的成功记录,像Synopsys对此,将有助于系统架构师为他们的产品取得市场成功。

更多信息:

• 研讨会:人工智能在自主车辆的影响
• 网络:DesignWare EV6x嵌入式视觉处理器
• 文章:深度学习的进化ADAS的应用程序