解释图形处理单元(GPU)和神经网络加速器芯片如何为汽车应用提供智能优势推动人工智能(AI)发展的关键行业之一，因为该行业致力于实现自动驾驶汽车和高级驾驶员辅助系统无处不在的优势（高级驾驶辅助系统）。汽车越来越智能，但汽车行业要实现完全自动驾驶的目标，还有很长的路要走。虽然业界仍在争论实现完全自动化所需的理想技术组合，但有一点是明确的：人工智能，尤其是神经网络，将发挥重要作用。神经网络神经网络的作用是执行对传统视觉或模式识别系统具有挑战性的任务。通过使每个神经网络不同并针对特定任务而设计，它可以更高效、更精确地执行任务。所有神经网络的组织模型都是在多个层次上多次处理数据。因此，神经网络可以使用不同的输入模式运行10到20次，而不是仅使用一组特定参数进行一次操作。这个想法是，通过所有这些不同的路径，选择的数量会增加。当需要做出决定时，它已经从输入中提取了所有信息。在道路标志识别的例子中，第一层可能是寻找标志的角形状，然后是颜色，等等，直到它可以高度自信地说这是一个路标，它是什么方法。这样做的好处在于，神经网络不必对每一步都进行编程，而是会自己完成所有工作，并随着时间的推移进行学习。该算法知道它需要识别什么，并会尝试不同的方法，直到实现其目标，并一路学习。训练好神经网络后，就可以将其用于实际应用。这意味着工程师无需花费数小时微调复杂的算法，只需向神经网络展示它需要发现的内容并让它自学即可。这些技术已广泛用于车辆中的物体检测、分类和分析，而驾驶员监控、访问控制以及语音和手势识别也可以利用不同类型的神经网络。此外，将传统视觉与神经网络相结合的人工智能方法，可用于行人路径分析和环视等应用场景，将同时依赖图形处理单元（GPU）和神经网络加速器（NNA）。神经网络也可以用于从传感器到电子控制单元(ECU)的整个链条，其中预处理、中间处理和后处理中使用的各种技术引入了人工智能。此外，V2X（vehicle-to-everything）技术正在开发中，主要将以自动驾驶汽车为感知载体，为各种智慧城市和智慧交通场景提供数据和信息。同样，这些进步将依赖于采用GPU和NNA的AI方法来支持来自越来越大的输入集的各种分析和计算。传感器融合自主和高度自动化的车辆将严重依赖各种类型的传感器，包括摄像头、热成像、雷达、激光雷达等。来自所有这些传感器的信号需要被解释和融合，以提供车辆内外发生的事情的完整画面。传感器融合是自动驾驶的关键，涉及到GPU和神经网络的结合，以及机器学习和人工智能的结合。车内传感器融合的一个很好的例子是驾驶员监控。在当今的车辆中，各种传感器能够检测驾驶员何时注意力不集中。神经网络可以分析捕获的驾驶员图像，以确定他或她是否在睡觉、疲倦、注意力不集中，甚至通过移动设备说话或发短信。这对于早期的自动驾驶车辆来说是至关重要的信息，因为它可能需要驾驶员在某个时候重新控制车辆，因为汽车需要知道驾驶员是否处于正确的状态才能这样做。驾驶员监控如何工作？指向驾驶员面部的摄像头为分析面部元素（尤其是眼睛）的算法提供输入。眼睛是睁着还是闭着？如果关闭，关闭多长时间？眼睛在游移吗？司机在看哪里？研究整张脸可以确定司机是生气还是难过。如果生气，系统会建议司机靠边停车并冷静下来，然后再继续。所有这些都是基于构建人脸图像，提取关键点，利用神经网络提取情绪、注视时间等来判断驾驶员的精神状态。未来两到三年，驾驶员监控很可能成为欧洲新车评估计划（NCAP）和美国国家公路交通安全管理局（NHTSA）的审批要求，因此驾驶员监控将成为汽车制造商的主要问题.一项必须实施的技术，不仅适用于高端汽车，而且适用于所有车辆。自动驾驶级别美国汽车工程师协会(SAE)和美国公路交通安全管理局将自动驾驶汽车的能力分为六个级别。基本上，0级完全没有自动化，而在1级，汽车会为驾驶员提供一些帮助。Level2具有更多驾驶员辅助功能，甚至可以自主执行某些任务，例如自动紧急制动以避免碰撞。3级是一个棘手的级别，虽然汽车是自动驾驶的，但驾驶员必须随时准备好驾驶车辆。驾驶员监控将是3级自动驾驶的关键，因为驾驶员必须准备好进行干预，并且在某种程度上，确保驾驶员做好准备是车辆的责任。在Level4中，即使驾驶员可以接管车辆的驾驶，但车辆理论上可以处理其所处场景中的所有情况。Level5车辆将完全自动驾驶，没有方向盘和踏板。每个级别的车辆自主性所需的计算能力大约增加十倍。这就是为什么神经网络很重要，因为它们可以以非常低的功耗提供这种性能。物体检测以行人为例。汽车的车载摄像头和传感器可以记录行人是行走还是站立；神经网络可用于绘制行人可能采取的路线，并计算车辆是否需要减速或快速制动。神经网络还可以查看同一张图像并将其分割，从中挑选出其他物体，并应用物体识别技术来确定它们是否代表车辆需要注意的东西。这一切都得考虑到车辆在哪儿，想去哪儿，如果车辆在倒车，检测到车后有小孩，就需要迅速处理并踩下刹车。要做到这一点，就需要人工智能和神经网络来查看是否有物体存在，将其识别为儿童，并向执行器或驾驶员发送信号以采取行动。这将使它变得更加复杂，因为相机通常会有某种鱼眼镜头。这会产生一个扭曲的画面，需要纠正然后解释。来自该设备以及其他传感器的输入需要结合起来才能做出瞬间决策。数据处理与此同时，汽车周围还有源源不断的其他信息流，包括来自所有传感器的信息以及通过无线通信从其他车辆或基础设施接收的信息。这是一个巨大的数据量，可能在TB范围内。ECU将遍布汽车各处，并根据数据做出决策。这可能涉及100个或更多的ECU。业界正在使用一些方法来弄清楚如何用更少的ECU和更多的计算能力来做到这一点。摄像头或传感器旁边的嵌入式人工智能可以做出减少车辆需要交流的信息的决策。这意味着需要不同级别的处理。数据可以在捕获点进行预处理，例如拉直来自鱼眼镜头的图像。中间处理可能包括各种计划任务、物体识别、决策等。事后可以做后处理，当信息可以清理并显示在屏幕上时，驾驶员就知道发生了什么或已经发生了什么。应用这些数据处理技术也被用于创建当前正在开发的应用程序，以创建车辆内的虚拟环视车身支撑柱。在这个用例中，摄像头将安装在支柱（连接车顶和车身的支柱）上，以捕捉车外发生的事情。支柱的内部将提供一个显示屏，显示这些摄像头正在捕捉的内容，为驾驶员提供不间断的视野。这个过程很难实现。系统必须了解驾驶员正在看的另一侧是什么。图片需要校正失真并放置在不平坦或弯曲的表面上，然后重新扭曲以适应支撑柱的轮廓。虽然这种进步是未来的趋势，但一些高端车辆已经提供环视系统，并且它们很快就会出现在中端和入门级车辆上。GPU用于分析分散在车辆周围的各种摄像头（通常有四五个）捕获的图像，并将图像拼接在一起。基于拼接的图像，神经网络执行物体检测和路径预测，以查看这些物体是否有可能阻挡车辆的路径。信息娱乐和导航GPU在车载信息娱乐(IVI)和导航中也发挥着重要作用。它们还涉及语音控制，这可能是人与车辆之间的关键接口。因此，驾驶员无需使用按钮和键盘为卫星导航系统输入目的地，只需说出邮政编码或街道名称，然后让系统绘制路线图即可。仪表板将连接到外部摄像头，用于道路标志识别等。如果摄像头拍到限速标志，可以在司机面前显示有效时间；如果汽车超过限速，则会发出声音警告。事实上，整个仪表显示区域都会使用GPU进行图像渲染和信息优先级排序。如果系统确定驾驶员需要了解一些关键信息，该信息可能会从仪表显示区域弹出，甚至会投射到挡风玻璃上。挡风玻璃上的图像也可以用作导航系统的一部分，向驾驶员显示正确的转弯方向或解释汽车在即将到来的十字路口需要驶入哪条车道。后视镜的更换是另一个重要的、潜在的发展方向。一些新车已经在开发中，后视镜已被显示不同摄像头视野的屏幕所取代。与传统的后视镜一样，除了可以显示车后情况外，它们还可以用于盲点检测。在这里，神经网络可以警告司机他们看不到的汽车，并自动防止汽车改变车道进入另一辆车的路径。世界各国政府正在朝着一个长期目标迈进，即让智能城市将自动驾驶和高度自动化的车辆集成到覆盖整个城镇或城市的智能交通系统中。其背后的想法是，所有城市服务和规划工作相互协调和联系，以便让市民更了解情况，让城市生活更愉快，最重要的是更健康。为实现这一目标，减少污染和交通拥堵至关重要。智能交通系统将控制整个城市的交通基础设施。该基础设施将与车辆通信，交通信号灯和车辆也将相互通信并发回收集到的数据。这方面的一个例子是交通灯的控制，以允许车辆以最佳速度通过一个区域而不受阻碍。如果紧急服务车辆需要快速驶入，这些相同的交通信号灯可用于阻止其他道路使用者并为他们创造安全路径。如果某个地方发生交通堵塞，车辆可以将此信息传递给基础设施；反过来，基础设施可以告诉其他车辆远离该区域，这样就不会增加问题的严重性，从而可以更快地消除交通拥堵。这甚至可以在城市之外使用，例如在高速公路入口匝道上。如果系统已经从相反方向行驶的汽车那里获得了备份信息，它可以在司机驶上高速公路之前向他们发出警告，让他们考虑替代路线。为实现这一目标，城市将需要有一个中央情报中心，可以处理传入的信息并计算将哪些数据发送给其他车辆或交通信号灯。这只有结合神经网络、人工智能、机器学习和高级算法才能实现。结论NHTSA的研究发现，高度自动化的车辆将比人类驾驶的车辆更安全，94%的事故都是由人为错误引起的。基于人工智能的技术在响应能力和识别需要快速响应的威胁方面已经优于人类驾驶员。为了达到这些车辆所需的处理能力，NNA需要与GPU配对。随着汽车行业向全自动驾驶汽车迈进，计算能力将需要大幅提升，NNA将根据需要发挥重要作用。据估计，一辆5级自动驾驶汽车需要的计算能力是1级自动驾驶汽车的10,000倍。这是处理性能的巨大提升，但也必须在给定的功率预算内完成。一个神经网络加速器（NNA）已经拥有了中央处理器（CPU）100到800倍的性能，而它的成品封装比CPU的尺寸要小得多。一辆汽车可能有一个大型CPU，同时许多NNA分散在整个车辆中，以比同样分布在整个车辆中的CPU低得多的功耗和更高的性能执行各种任务。ImaginationTechnologies提供了GPU和NNA硅知识产权(IP)。它在数字仪表组方面拥有比任何竞争对手都多的技术，该公司是高级驾驶辅助系统(ADAS)和自动驾驶汽车市场的领导者。实现自动驾驶汽车实际使用所需的所有要素都将取决于这些技术，而这些技术成为现实只是时间问题。
