高級輔助駕駛系統(ADAS)可提供解決方案，用以滿足駕乘人員對道路安全及出行體驗的更高要求。諸如車道偏離警告、自動剎車及泊車輔助等系統廣泛應用于當前的車型，甚至是功能更為強大的車道保持、塞車輔助及自適應巡航控制等系統的配套使用也讓未來的全自動駕駛車輛成為現實。

如今，車輛的很多系統使用的都是機器視覺。機器視覺采用傳統信號處理技術來檢測識別物體。對于正熱衷于進一步提高拓展ADAS功能的汽車制造業而言，深度學習神經網絡開辟了令人興奮的研究途徑。為了實現從諸如高速公路全程自動駕駛儀的短時輔助模式到專職無人駕駛旅行的自動駕駛，汽車制造業一直在尋求讓響應速度更快、識別準確度更高的方法，而深度學習技術無疑為其指明了道路。

以知名品牌為首的汽車制造業正在深度學習神經網絡技術上進行投資，并向先進的計算企業、硅谷等技術引擎及學術界看齊。在中國，百度一直在此技術上保持領先。百度計劃在 2019 年將全自動汽車投入商用，并加大全自動汽車的批量生產力度，使其在 2021 年可廣泛投入使用。汽車制造業及技術領軍者之間的密切合作是嵌入式系統神經網絡發展的催化劑。這類神經網絡需要滿足汽車應用環境對系統大小、成本及功耗的要求。

1輕型嵌入式神經網絡

卷積式神經網絡(CNN)的應用可分為三個階段：訓練、轉化及CNN在生產就緒解決方案中的執行。要想獲得一個高性價比、針對大規模車輛應用的高效結果，必須在每階段使用最為有利的系統。

訓練往往在線下通過基于CPU的系統、圖形處理器(GPU)或現場可編程門陣列(FPGA)來完成。由于計算功能強大且設計人員對其很熟悉，這些是用于神經網絡訓練的最為理想的系統。

在訓練階段，開發商利用諸如Caffe(Convolution Architecture For Feature Extraction，卷積神經網絡架構)等的框架對CNN進行訓練及優化。參考圖像數據庫用于確定網絡中神經元的***權重參數。訓練結束即可采用傳統方法在CPU、GPU或FPGA上生成網絡及原型，尤其是執行浮點運算以確保***的精確度。

作為一種車載使用解決方案，這種方法有一些明顯的缺點。運算效率低及成本高使其無法在大批量量產系統中使用。

CEVA已經推出了另一種解決方案。這種解決方案可降低浮點運算的工作負荷，并在汽車應用可接受的功耗水平上獲得實時的處理性能表現。隨著全自動駕駛所需的計算技術的進一步發展，對關鍵功能進行加速的策略才能保證這些系統得到廣泛應用。

利用被稱為CDNN的框架對網絡生成策略進行改進。經過改進的策略采用在高功耗浮點計算平臺上(利用諸如Caffe的傳統網絡生成器)開發的受訓網絡結構和權重，并將其轉化為基于定點運算，結構緊湊的輕型的定制網絡模型。接下來，此模型會在一個基于專門優化的成像和視覺DSP芯片的低功耗嵌入式平臺上運行。圖1顯示了輕型嵌入式神經網絡的生成過程。與原始網絡相比，這種技術可在當今量產型車輛的有限功率預算下帶來高性能的神經處理表現，而圖像識別精確度降低不到 1%。

圖1 CDNN將通過傳統方法生成的網絡權重轉化為一個定點網絡

英文解釋：

Network structure 網絡架構

Image database 圖像數據庫

Training stage(offline) 訓練階段(離線)

Network weights 網絡權值

Floating-point Network+weight 浮點 網絡+權重

CEVA Network generator CEVA網絡生成器

Fixed-point customized network+weights 定點定制 網絡+權重

Detection stage(real-time)檢測階段(實時)

一個由低功耗嵌入式平臺托管的輸入大小為224x224，卷積過濾器分別為11x11、5x5及3x3的24層卷積神經網絡，其性能表現幾乎是一個在典型的GPU/CPU綜合處理引擎上運行的類似CNN的三倍，盡管其所需的內存帶寬只是后者的五分之一， 且功耗大幅降低。

2下一代深度學習神經網絡

汽車制造業進入神經網絡領域所習得的經驗不斷推動技術的發展，并因此開發出了更先進的網絡架構及更復雜的拓撲，如每級多層拓撲、多入/多出及全卷積網絡。新推出的重要網絡類型不僅可用來識別物體，也可用來識別場景，從而提供用以解決汽車領域應用程序(如自動駕駛功能)所需的圖像分割。當然，中國40家左右的汽車制造商并不會在此道路上踽踽獨行。他們會與百度等技術公司進行密切合作。技術公司是這些網絡和架構發展的核心。CNN網絡生成器功能的完善也為新的網絡架構和拓撲提供了支持，如SegNet、GoogLeNet、ResNet等其它網絡結構以及高級網絡層(圖2)。此外，一鍵啟用也讓預訓網絡轉換成優化的實時網絡執行更為便捷。為確保給常用的網絡生成器提供支持，CDNN框架與Caffe、TensorFlow(谷歌的機器學習軟件庫)都有合作。

圖 2網絡生成器的發展為新網絡層及更深的架構提供了支持

英文解釋：

Typical CNN layer 典型的CNN架構

Input 輸入

Convolutional stage:affine transform 卷積階段：仿射變換

Detector stage:nonlinearity 檢測階段：非線性

Pooling stage 統籌階段

Normalization stage(optional)正規化階段(可選)

Output：feature map 輸出：特征映射

由于***推出的嵌入式處理平臺在可擴展性及靈活性上都有了很大改進，因此嵌入式部署也可以利用這些改進來完善自身。由于深度學習領域的發展越來越多樣化，因此擁有一個不僅能滿足當今處理需求，也具有適應未來的技術創新的靈活架構非常重要。

3鋪好路

***批神經網絡應用程序將專注于視覺處理，以支持諸如自動行人、交通信號或道路特征識別等功能。由于這些系統的性能不斷改進，例如處理越來越大的來自高分辨率相機的數據集，因此神經網絡也有望在未來的汽車中發揮更大的作用。這些作用將包括承擔系統中其它復雜的信號處理任務，例如雷達模塊及語音識別系統。

隨著神經網絡***應用于車載自動駕駛系統，(據報道，某些國家將在2019-2020年型的新車輛中使用神經網絡，)對同時兼具安全性及可靠性的系統的需求會越來越大。中國政府計劃在2021至2025年推出自動駕駛車輛。要讓此類系統具備可讓客戶使用的條件，汽車制造商必須同時確保其符合相關的安全標準，如ISO 26262功能安全性。這需要硬件、軟件及系統的綜合發展。

由于這些系統變得越來越復雜，因此確保系統可靠安全且能滿足處理需求也成為汽車制造商所面臨的越來越大的挑戰。

4結論

機器學習神經網絡將沿著一條挑戰高效處理性能的發展道路繼續闊步前進。先進的神經網絡架構已經顯現出優于人類的識別精確性。用于生成網絡的***框架，如 CDNN2，正在推動輕型、低功耗嵌入式神經網絡的發展。這種神經網絡將使目前的高級輔助駕駛系統具有較高的精確性及實時處理能力。

深度學習神經網絡在量產型車輛上的***使用將限于基本的視覺識別系統，但最終會在未來為自動化程度越來越高的車輛提供支持，幫助其應對眾多的復雜信號處理的挑戰。