ADS2.0算法演進(jìn)與對(duì)算力的新需求

愛因斯坦有曰，“瀚宇初開，萬物當(dāng)生也。萬物可謂振動(dòng)，能光旋律之蕩漾焉?！保ㄗⅲ鹤髡咧凶g）。AI新技術(shù)革命時(shí)代，大算力芯片也撥響了自動(dòng)駕駛ADS的琴弦。大珠小珠般的AI算法在大算力驅(qū)動(dòng)下應(yīng)運(yùn)而振，應(yīng)時(shí)而動(dòng)，解決了ADS從L2到L5逐級(jí)演進(jìn)中的眾多技術(shù)難題。ADS每增加一級(jí)，算力需求也會(huì)呈現(xiàn)十倍速上升，L4級(jí)別可預(yù)計(jì)的算力需求在1000TOPS，L5級(jí)別估計(jì)在2000-10000TOPS。如圖1所示，后摩爾時(shí)代工藝更新性能提升放緩，延續(xù)性創(chuàng)新的邊際效益遞減，新興的大算力架構(gòu)在不斷涌現(xiàn)，加上駕駛AI算法高速迭代演進(jìn)，在未來5-10年內(nèi)可能會(huì)為后來的技術(shù)追趕者提供非常奇妙的一個(gè)直線超車的機(jī)會(huì)窗口。

圖1. 大算力時(shí)代自動(dòng)駕駛ADS領(lǐng)域的機(jī)遇與挑戰(zhàn)

當(dāng)前ADS自動(dòng)駕駛采用決策層后融合的方式，其局限性主要表現(xiàn)在在極端惡劣氣候與復(fù)雜遮擋等不確定性場(chǎng)景下分別進(jìn)行單模結(jié)構(gòu)化信息提取后再進(jìn)行融合決策，每個(gè)通道信息會(huì)有不同層面丟失，很難能夠進(jìn)行多模有效互補(bǔ)與特征提取共享，算力內(nèi)卷且性能遠(yuǎn)低于預(yù)期。 未來ADS算法會(huì)進(jìn)入一個(gè)全新的2.0階段，4D空間下基于時(shí)空的多模感知與融合推理， 也就是特征提取/統(tǒng)計(jì)推斷/應(yīng)急預(yù)測(cè)相結(jié)合，實(shí)現(xiàn)在動(dòng)態(tài)復(fù)雜的有噪聲干擾等場(chǎng)景下，全程安全無碰撞的高效行駛。挑戰(zhàn)可以體現(xiàn)在，動(dòng)態(tài)隨機(jī)的人車物交互，多變天氣路況，以及突發(fā)交通事件等。

ADS算法2.0從決策層后融合走向特征級(jí)前融合，當(dāng)前行業(yè)ADS2.0算法主要演進(jìn)方向?yàn)椋?/p>

多模感知：主要是針對(duì)Camera/LiDAR/Radar海量數(shù)據(jù)流進(jìn)行特征提取，DL網(wǎng)絡(luò)主流趨勢(shì)是卷積CNN或者貝葉斯NN+Transformer的組合架構(gòu)，在統(tǒng)一的特征空間實(shí)現(xiàn)多模感知，特征融合共享以及多任務(wù)來提升算力的整體效率。

融合推理：主要是基于模型與基于數(shù)據(jù)的雙學(xué)習(xí)模式，DL網(wǎng)絡(luò)主流趨勢(shì)是基于目標(biāo)交互GNN或基于統(tǒng)計(jì)模型的貝葉斯RL強(qiáng)化學(xué)習(xí)或On-Policy應(yīng)急學(xué)習(xí)，實(shí)現(xiàn)ADS安全可信的預(yù)測(cè)規(guī)劃與控制。

ADS2.0算法演進(jìn)與對(duì)算力的新需求，可以總結(jié)為：

演進(jìn)趨勢(shì)1：感知定位預(yù)測(cè)決策控制模塊化處理流程中， 從決策層后融合走向感知層前融合，算法能夠在統(tǒng)一空間支持多模融合，多任務(wù)共享；

演進(jìn)趨勢(shì)2：預(yù)測(cè)與規(guī)劃聯(lián)合建模，從可獲得的Off-policy數(shù)據(jù)進(jìn)行學(xué)習(xí)，能夠自學(xué)習(xí)處理不確定性下的安全性問題，解決可解釋問題，持續(xù)學(xué)習(xí)解決新場(chǎng)景問題；

算力新需求：從compute-bound(矩陣-矩陣乘)走向memory-bound(矩陣-矢量乘)，從偏計(jì)算走向偏存取。

當(dāng)前市場(chǎng)上主流算力NPU芯片，都存在幾個(gè)共性問題，一是算法效率低，多數(shù)只針對(duì)CNN(例如3x3卷積)優(yōu)化；二是內(nèi)存墻問題：處理單元PE存算分離，數(shù)據(jù)共享難；三是能耗墻問題：數(shù)據(jù)重復(fù)搬移，耗能增加>30-70%。所以，當(dāng)前針對(duì)某些特定算法的芯片，無法解決未來ADS 2.0的需求。

從工程實(shí)踐上看，ADS 2.0算法需通過“硬件預(yù)埋，算法迭代，算力均衡”，提供一個(gè)向前兼容的解決方案，以通用大算力（CPU的5-10倍性能提升，NPU的100-500倍性能提升）來解決未來不確定性的算法演進(jìn)：

底層架構(gòu)的演進(jìn)：從存算分離過渡到近內(nèi)存計(jì)算，最終走向內(nèi)存計(jì)算；

數(shù)據(jù)通道與模型：高速數(shù)據(jù)接口；數(shù)據(jù)壓縮+模型壓縮+低精度逼近計(jì)算+稀疏計(jì)算加速；

并行的頂層架構(gòu)：模型-硬件聯(lián)合設(shè)計(jì)，以及硬設(shè)計(jì)可配置+硬件調(diào)度+軟運(yùn)行可編程調(diào)度引擎。

未來，自動(dòng)駕駛算法不會(huì)止步于ADS 2.0，而能夠真正支持人類自動(dòng)駕駛夢(mèng)想的算法ADS 3.0趨勢(shì)，我們估計(jì)會(huì)采用一個(gè)DNN網(wǎng)絡(luò)來進(jìn)行端到端學(xué)習(xí)。設(shè)想一下，有足夠的專家駕駛數(shù)據(jù)用來做模仿學(xué)習(xí)或采用RL自學(xué)習(xí)模式，可以有效降低數(shù)據(jù)標(biāo)注的信息瓶頸與嚴(yán)重依賴，從而能夠從多模多樣化數(shù)據(jù)層面進(jìn)行非直接的推理或者博弈類的對(duì)抗學(xué)習(xí)。ADS 3.0目前來看模型的可信與可解釋程度依然遠(yuǎn)低于預(yù)期。ADS系統(tǒng)的總體演進(jìn)趨勢(shì)，可以總結(jié)為：

場(chǎng)景演進(jìn)：負(fù)載多樣性

?從數(shù)量有限的攝像頭設(shè)置走向 Camera + LiDAR + Radar 多模態(tài)組合。

趨勢(shì)演進(jìn)：算法多樣性

?從CNN+Rule-based方案走向CNN, RNN,Transformer, GNN, Bayesian, Deep ReinforcementLearning, Dynamic DNN, NAS Generated DNN, Variably Quantized DNN多算法組合。

大算力時(shí)代，ADS系統(tǒng)首先是模仿人類的駕駛行為，通過注意力機(jī)制，期望在感知定位預(yù)測(cè)規(guī)劃控制領(lǐng)域提供遠(yuǎn)超人類的決策能力。這需要我們?cè)贏I的三要素（算法、算力、數(shù)據(jù)）基礎(chǔ)上添加第四要素，知識(shí)或者常識(shí)。

而上述要素，均需要在充分理解算法的快速迭代的大趨勢(shì)下，擁有充足的超大通用算力，ADS系統(tǒng)在離線模仿學(xué)習(xí)人類駕駛先驗(yàn)知識(shí)經(jīng)驗(yàn)與規(guī)則的基礎(chǔ)上，能夠提供在線自主學(xué)習(xí)能力，通過自學(xué)習(xí)激勵(lì)與博弈共贏策略應(yīng)對(duì)眾多不確定性的人機(jī)交互的復(fù)雜環(huán)境，能夠?qū)Q策不充分的場(chǎng)景下做到安全應(yīng)對(duì)和提供可信解釋能力。此外，大算力芯片也需要能夠通過額外的算力，對(duì)芯片內(nèi)百萬級(jí)的并行計(jì)算單元提供故障檢測(cè)與安全規(guī)避能力，對(duì)大量多模傳感器的部分或者完全失效進(jìn)行有效檢測(cè)與應(yīng)對(duì)決策處理，對(duì)駕駛環(huán)境針對(duì)傳感器的主動(dòng)攻擊與外界目標(biāo)非主動(dòng)干擾進(jìn)行有效檢測(cè)與實(shí)時(shí)決策處理。

審核編輯 ：李倩