所謂的自動駕駛車輛(robo-car)是如何──即時、安全且準確地──感知周遭的世界?如果你認為這是一個已經有解答的問題,可能得再想一想。

總部位於美國矽谷(Mountain View, Calif.)、專長先進自動駕駛輔助(ADAS)與高度自動化駕駛技術的新創公司DeepScale近日接受EE Times獨家專訪時,介紹了該公司獨特的「感知系統」解決方案;該公司所開發的感知技術是汲取原始資料(raw data)而非目標資料(object data),並以嵌入式處理器來加速感測器融合。

「今日的深度神經網路(DNN)研究有很大一部分,是以現有DNN進行調整或修改;」DeepScale執行長Forrest Iandola分享他的觀察,不過表示在該公司的情況是:「我們從頭開始利用原始資料開發自己的DNN--那些資料不只來自影像感測器,還有雷達與光達(lidar)。」

早期融合vs.晚期融合

車用視覺技術Vision Systems Intelligence (VSI)顧問公司創辦人暨首席顧問Phil Magney認為,DeepScale的解決方案「非常新穎」,代表了「將AI導入自動駕駛的最新想法」。那麼DeepScale方案--利用原始資料來訓練神經網路--與其他感測器融合方法有甚麼不同?

對此Magney表示:「首先,今日大多數感測器融合應用是融合目標資料而非原始資料;再者,於大多數的案例中,智慧感測器在感測器中產生目標資料,同時其他感測器會傳送原始資料到主處理器--在其中,目標物件會在饋入融合引擎之前被產生。」他將這種方法稱為「晚期融合」(late fusion)。

20170925_robocar_NT02P1

晚期融合:傳統的感測器融合方法
(來源:DeepScale)

顯然,DeepScale的Iandola是看到了這種「晚期融合」方法的內在問題;他點出融合目標資料與原始資料會遭遇的問題,特別是當感測器融合任務得處理不同種類的感測器資料時:「試想光達產生的3D點雲(point cloud);當你要在感測器中重新建構3D點雲,你也會收到來自攝影機的資料,而後者的畫面更新率(frame rate)大不相同。」

Iandola指出,在建立目標時,原始資料可能會與流失的其他感測資料相關聯;想像當陽光直接照射到車用攝影機鏡頭的那一刻,或者是雪覆蓋住雷達。此外當感測器資料與其他感測器資料不一致的情況發生時,進行目標融合會變得非常具挑戰性。

20170925_robocar_NT02P2

DeepScale 的解決方案是深度神經網路感測器融合
(來源:DeepScale)

「這是為甚麼我們相信必須要在早期而非晚期進行原始資料融合,而且要在更接近感測器的地方進行;」Iandola表示:「我們認為早期融合有助於解決上述問題。」

自家設計的DNN

電腦視覺是其中一個已經存在、發展良好的DNN框架,很多早期自動駕駛車輛技術開發商是利用這種框架;但對其他感測器資料例如雷達與光達,並沒有太多經過訓練的DNN。這也是DeepScale希望能搶進的領域--而且該公司具備自行設計DNN的技術能力與經驗。

Iandola是還在學界時與加州大學柏克萊分校(UC Berkeley)的研究人員,一起合作開發出名為SqueezNet的DNN模型;那些研究人員現在也有幾位加入了DeepScale。他表示,SqueezNet並非是為自動駕駛應用量身打造,他的團隊開發該模型:「是為了讓它的尺寸儘可能小一點,同時又能在電腦視覺資料集方面保有合理的準確度。」

而Iandola也參與過開發一個類似的DNN框架FireCaffe,是為了加速訓練以及實現嵌入式實作而設計;在一篇論文中,他與他的團隊聲稱,FireCaffe能成功將深度神經網路訓練擴展至一整個繪圖處理器(GPU)叢集。

在被問到雷達與光達缺乏DNN框架的問題時,Iandola表示:「這是有充分理由的,因為長期以來,攝影機仍是最受歡迎(也是最容易取得)的感測器,並已經產生大量資料;你從YouTube就可以抓到足夠的資料,結合地圖資訊,那些可用資料使得建構DNN框架容易得多。」

目前DeepScale正在與幾家雷達與光達供應商合作,著手為車廠開發經過充分訓練的演算法;Iandola表示,該公司的合作夥伴包括雷達與光達領域老牌供應商以及新技術開發,其Deep目標是催生不一定需要客製化的DNN,同時又能從各種感測器(包括新式感測器)汲取資料。

DeepScale聲稱,他們是採用「來自多個感測器的共有資訊,以最大化準確度並解決不確定性」;此外,「標記過的訓練資料能橫跨不同的感測器資料集重複使用,僅需要最小化的重新校準」。

VSI的Magney認為DeepScale解決方案聲稱能「感測器未知」(sensor agnostic)以及其DNN能在不同處理器平台上執行的特性是大加分:「這能讓車廠以及一階零組件供應商打造以AI為基礎的環境建模(environmental modeling)解決方案,不需要自己訓練網路或是撰寫演算法。」

編譯:Judith Cheng