新創公司為自駕車打造更敏銳感官
2017-09-26
作者
Junko Yoshida, EE Times首席國際特派記者
矽谷新創公司DeepScale所開發的車用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。
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)。
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。
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
