当Faster RCNN遇到FPGA 自动驾驶技术起飞了

当今的自动驾驶行业是一个百舸争流的局面，总体来看，还是西方引导东方的探索摸索，以 google 为主的以激光雷达为主的流派和以 Tesla 为主的机器视觉流派引导了整个市场。从发展趋势来看，两种方法正在进一步融合，最终会各取优势而相互补充发展。对整个自动驾驶领域，其核心技术是个拟人化的实现过程，即：感知->认知->决策->控制->执行五部分。感知，是所有智能体所要拥有的基本属性，自动驾驶要解决的第一个问题，就是汽车的感知系统，AI 算法的核心就是要解决感知问题。汽车的感知系统是多种传感器融合的系统。

多传感器融合共同组成自动驾驶的感知层已经成为行业共识，这是一个复杂的技术体系，本文主要讨论最主要的感知部分：机器视觉，以摄像头为主的计算机视觉解决方案，为汽车加上「眼睛」，能有效识别周边环境及物体属性。随着 AI 算法的蓬勃发展, 机器视觉由基于规则向基于 CNN 神经网络转变。

国内的主要发展方向集中在视觉上的突破，一种原因是激光雷达和毫米波雷达被国外几个大公司控制，核心技术短期内难以突破，成本居高不下。而做机器视觉, 则成本低廉，且容易上手，国内摄像头的供应链很完善，所以在这种情况下，国内厂商更倾向于 CNN 网络的机器视觉能做更多的事情，其实这种选择是正确的，国内厂商突破的最好的一个点就是视觉突破，视觉方案相对成熟和完善，可以利用国内的一些特点，找到差异化竞争的突破口，快速形成优势，再逐步迭代更新技术。

如开车时任意变道的行为，这个国外的汽车检测方式是等尾部进入车道内再进行检测，这明显不符合国情，所以算法本土化，解决国人开车遇到的问题，就是差异化竞争，这也更需要对算法有自己的把控能力。

所以机器视觉的好的方案已经不单单是好的算法，而是一个在合理的硬件成本里得到一个最优算法的求解问题。由算法来保证识别精度，由硬件来保证算法的实现速度，由成本来保证两者都需要性价比最优的搭配，这才是正确的解决思路。当然，想同时实现上述几点，并非易事。路，要一步一步的走，坑，要一个一个的趟，我们上述的问题一个一个的分析。

在整个 AI 算法的大环境下，车载视觉系统的算法也是基于 CNN 的分割算法，这就引出目前主要的两个算法 Faster RCNN 系列和 yolo 系列，两者各有千秋，前者精度更准，后者速度更快。前者是 two-stage 的方案，即先用最好的网络来找出特征值，然后再调整框来检测目标。后者是 one-stage 的方案，即找特征值和画框在一个网络里完成。

通俗的理解，Faster RCNN 更符合人类「强强联合」的概念，即：找出目前性能最好的网络，然后再组装成一起，产生更优的效果，它是基于多网络融合的方案，所以它的特点就很明确：算的准，但是算的慢。yolo 的诞生，恰恰是解决了这个问题，yolo 的最大的特点就是快到没朋友，但在精度方面却逊色于 Faster RCNN。

这两种方法都有很多变体，one-stage 的方法在精度上不断想与 two-stage 的方法抗衡，two-stage 不断的在加快计算速度，但在数据集上的结论以及越来越快的 Faster R-CNN 变体的可以说明，Faster R-CNN 的 检测精度始终保持领先。但在速度上，yolo 是遥遥领先的。

正是 Yolo 在速度上明显提高，YOLO 的确受到车载系统的青睐，Yolo 真的是车载系统的首选吗？答案未必，正如上文所述，Faster RCNN 的精度是最好的，如果能将其速度也提上去，岂不是更好的选择。首先，前景背景分离的区别。Faster RCNN 是有前景背景分离的。这会要求在训练该网络时需要进行正负样本都要训练，也就是说正确的范畴我要负责，错误的范畴我也要负责。这会大大减少误检率的概率，所以 Faster RCNN 的查全率（recall）会特别的高。

而 yolo 则没有这样的算法结构，它只有正样本训练，不会区分前景和背景的区别。其实这一点是对自动驾驶不太友好的，例如之前 Tesla 的自动驾驶事故就是因为检测算法没有区分前景和背景，将迎面开来的白色卡车和背景中的白云混为一体，从而导致事故发生。