您的位置:首页 >科技 >

中国ADAS突围的差异化道路:更开放的视觉感知解决方案

2019-12-28 10:04:39来源:亿欧

Mobileye作为ADAS行业的龙头企业,目前占有全球超过60%的视觉感知芯片市场份额。与此同时,Mobileye一手建立的封闭式视觉感知生态也成为了行业主流形式。有条件的开放和相对收敛的感知API需求,曾帮助Mobileye建立标准化的感知接口方案,并快速将产品推向全球,攻城略地。

但是,时过境迁。随着当前视觉ADAS功能的持续升级迭代,行业期待出现更加开放的方案,帮助OEM和Tier1打造差异化且更具适应性的ADAS功能。

驾驶场景的复杂性和地域性呼唤开放的解决方案

曾经有一家国内主机厂尝试基于Mobileye的视觉感知解决方案开发自主泊车方案。项目实施过程中,需要识别停车场入口处的栏杆。但Mobileye的封闭性方案不支持客户对感知算法进行自主更新,导致开发遇阻。

这反映了主机厂面临的困境。一方面,Mobileye的视觉感知解决方案依然是目前最成熟的方案,从产品成熟度、项目风险管控和质量管理角度,都有很多优势,主机厂无法拒绝。整体来讲,属于保守有余,进取不足的态势。但另一方面,这种封闭方案又像一个黑匣子。因为无法进行差异化和定制化开发,导致性能同质化;况且在本土化的驾驶场景下,无法完全满足要求。这就限制了主机厂做出更加进取的产品方案,长期以往会降低产品竞争力。

而中国驾驶场景的特殊性,决定了必须有本土化的感知解决方案,才能满足ADAS/自动驾驶的功能要求。

同时,为了满足ADAS/自动驾驶对感知的高可靠性要求,也需要更加开放的感知解决方案,例如,如果我们能够识别更为丰富的目标,更多的语义分割种类,那么我们就可以获得更为丰富的语义信息,使得各个不同的类别可以做到交叉验证,例如,路肩、人行道对于可行驶区域的判断有明确的辅助验证作用,路侧的固定目标,如交通标识牌、路灯等对于定位有很大的帮助。

假设在下雪天,道路被积雪覆盖,如何判断路肩在哪里呢?电影《非诚勿扰》里描述了一个对白情节:

“嗨,你来过(北海道),你一定知道公路那两边箭头有什么用?”答:“哦,冬天,北海道的雪很厚,箭头指示人们不要开出路肩。”

假如我们可以识别公路两边的箭头,就可以推理出来可行驶区域的边界。感知技术的发展趋势需要更为开放的解决方案

感知技术的发展,关键趋势可以总结为以下四点:

•从简单场景到复杂场景

•从高频目标到一般目标

•从2D感知到3D感知

•从面向实况的感知到面向预测的感知

所有这些趋势都使得感知的丰富度和复杂度进一步提升,供应商无法使用一个标准的感知解决方案来满足需要,开放成为必由之路。

软件定义汽车时代,车企需要更为开放的解决方法

智能化是未来品牌差异化的核心要素,主要是通过增加软件功能来实现。软件的后部署将是大势所趋,这意味着,多数软件功能将是在汽车出厂之后交付的,软件迭代OTA将是新常态。这一趋势对于出行服务运营商来说尤其重要,各种不同的场景服务需求都需要基于现有车队的功能,通过不停升级迭代来满足。

在未来,OEM交付的汽车将不是一个功能固化的产品,而是一个持续进化的机器人,在汽车整个生命周期内,硬件平台能够持续支持软件迭代升级。软件开发的效率和差异化的功能,将决定这场智能化竞争的成败。

为了提升软件开发效率,从系统构架的角度看,服务导向的系统构架(SOA)将成为主流,这需要打造一个全新的感知解决方案,满足四个方面的要求:高度开放、一致并且完善的工具链、拥有强大算力储备、极强的可扩展性,以满足不同等级车型平台的要求。

开放的感知中间结果助力国内的ADAS功能不断进化

目前,对于感知算法API,行业内还是较为封闭的。很多功能较难落地(比如信息娱乐域关于ADAS功能的增强现实显示功能),部分原因是由于感知算法只提供给智能前视摄像头模块内部使用,不愿提供给其他子系统使用导致的。而地平线感知中间结果可以做到全开放。且由于地平线算法的低级语义非常丰富,全开放的感知中间结果能够支持客户在应用层开发更加复杂的功能。

截止目前,地平线算法可以支持10类动态目标和53类静态目标。其中动态目标包括:成年人、儿童、骑行者等3类行人,以及轿车、SUV、面包车、卡车、客车、摩托车以及老年代步车7类;而静态目标则包括8类车道线、2类红绿灯以及43类交通标识。比Mobileye更丰富的感知信息,给客户实现差异化功能提供了坚实的感知基础。

地平线算法所提供的丰富感知信息

开放而全面的工具链,践行“深度赋能”理念

为了增加视觉算法迭代的敏捷性,能够更好地支持国内各种极端的感知场景,地平线推出了AI芯片工具链Horizon OpenExplorer(地平线“天工开物”),包括数据、训练和设备部署工具,例如模型训练工具、检查验证工具、编译器、模拟器、嵌入式开发包等(图9),形成闭环。数据产生模型,模型可以被部署到设备上运行,运行过程中又可以指导模型的调优,甚至收集新的数据。这样的一种自我进化的开发模式,可以提升开发速度,降低开发门槛,保证开发质量。基于这种模式可以减少约30%的开发人力,节省50%的开发时间,更重要的是,因为开发门槛被降低了,开发者的规模甚至可以扩大一个数量级。

地平线会持续对开发工具进行升级,为客户提供半自动化的处理流程。主要包括:数据工具与模型,模型与端上设备之间的闭环迭代;丰富的模型/系统参考原型,简洁易用直观方便的交互手段;标准化开发流程,加上持续的测试,集成,部署机制。

地平线“天工开物”芯片工具链

更具体地将,地平线的模型训练工具能够支持TensorFlow等主流的深度学习框架,帮助用户自己训练模型;编译器支持将开源训练框架模型格式转换为芯片上的二进制格式;嵌入式开发包则能够支持客户调用算法库开发自己的应用,让客户自己在芯片商快速部署应用。整个工具链包能够覆盖完整的开发链路(图10)。而经过地平线编译器的优化,能够极大缓解算法的访存瓶颈,提高芯片的计算效率(图11)。

基于“天工开物”工具链的开发流程

经过地平线编译器自动优化的算法,性能提升巨大

近来,地平线与韩国SK电讯公司合作开发了动态众包高精地图解决方案。SK利用地平线的工具链,开发了韩国道路的视觉感知算法,,证明了工具链的易用性和可靠性。

简言之,地平线的开放是从提供系统参考解决方案,到全面开放感知结果,再到工具链的全栈解决方案的深层次、多维度的全面开放,充分赋能汽车行业的智能化发展。如果客户主张效率最大化的分工合作理念,地平线就提供软硬件一体芯片方案;如果客户青睐能力最大化,希望使用自己的算法,地平线就为客户提供纯芯片和整套工具链,帮助客户实现足够深入的开发自由度,践行“深度赋能”的长期承诺。