汽车工程师面临的智能设计挑战

　　到了 2020 年，先进驾驶辅助系统（advanced-driver assistance systems，ADAS）市场的价值估计可达 600 亿美元，年复合增长率 （CAGR） 几乎达到 23%。ADAS 是汽车行业的新宠，推动着这个巨大生态系统中的大部分创新。我们几乎每天都会听到关于这个领域的未来产品公告和消息，例如最近谷歌创办了自己的汽车公司，优步正在积极研发面向未来的自动驾驶出租车以及通用汽车赞助了在底特律新创办的 MCity Facility。

　　

　　资料来源：Ian Riches 在 Strategy Analytics 的 2015 年 GPU 技术大会上的演讲稿“Vision-Based ADAS:Seeing the Way Forward”

　　两种相互矛盾的趋势

　　目前这些公司和许多其他与汽车行业相关的公司正在面临挑战，因此推动着工程团队去掌握迄今为止最高级别的人工智能和深度学习算法。这些汽车工程团队现在正创建由NASA、DARPA 和多家军事/国防机构开发出的先进技术，并将应用到消费类电子设备，如智能手机、可穿戴设备和无人驾驶飞机。

　　汽车行业所面临的挑战是独一无二的，因为它融合了两种有时会相互矛盾的趋势：一方面，驾驶趋势正朝着自主驾驶的方向发展，导致汽车需要满足最苛刻的安全标准和故障覆盖率。另一方面，从成本敏感度来说，汽车仍然属于消费类设备，因此这些 ADAS 系统必须是价格便宜的附加设备，特别是 Euro-NCAP 和 NHTSA 等标准机构已将它们纳入到其安全评级系统。这就要求每个业内人员（包括算法开发人员、系统制造商、芯片供应商和处理器设计人员）都跳出思维定式，并实现整个生态系统的密切合作。

　　以“车道偏离警告”这个相对简单的 ADAS 任务为例，在“正常”驾驶条件下，车道偏离很好处理；但当环境条件不那么理想时，比如雨天、浓雾、直射光反射，或处于高对比度场景（如离开隧道），问题就来了。这时就需要应用各种独特的过滤器和成像算法来清理图像，融合多个画面（有时来自不同的传感器）和其他技术。当道路标志和车道没有清楚地标示，车道收窄或者道路正在施工（使得车道标记用不同的颜色分层，或车道标记消失），或者根本没有车道标记时，这个问题就会变得更具挑战性。另外，还要考虑到车道有多种标记方式，其中一些取决于地理位置，如连续线、虚线、双线，甚至有些道路使用突起的标记（Botts 点）代替一般道路标记。系统现在必须模仿人类的大脑（我提到人工智能了吗？）来收集各种指示信息，包括道路标记、道路边缘、施工信号、前方车辆的位置、对面车道驶来的车辆的位置、交通标志等等，从而推断“车道”。

　　利用高效节能的处理器

　　现在我们尝试把这种车道偏离警告系统转换成一个车道保持系统（可主动调整车辆方向，从而使车辆在自主驾驶环境下保持在车道内）。该系统的精确度只需与人类的视觉和智能系统相若（有时也会超过后者）。要在满足紧缩的功耗和成本预算的同时，实现处理大量视觉信息所需的先进算法，只有利用高效节能的处理器才有可能。

　　为了真正实现自主驾驶，汽车将需要连续推断车身周围的每个对象（汽车、交通标志、道路标记、车道、行人、颠簸、骑自行车的人、交通灯、道路上的碎片等），了解不同对象之间的关系（例如，前方车辆的行为与交通灯之间的相关性），并在一瞬间做出正确的决定。检测（和保持）驾驶员的车道其实只是冰山一角。

　　在未来，我们可以预见到这种对安全至关重要的人工智能系统还会遇上道德问题，例如在遭遇无可避免的碰撞时，应该将车辆撞向闯到马路上的动物，还是撞向人行道上的行人？系统应如何优先考虑司机的安全与路上其他人的安全？考虑到人工智能需要判断如此多的因素，我们不应期望完全自主驾驶的汽车能够在未来 10 年内面世；但基于视觉的先进算法和相关的高效节能的嵌入式处理器，肯定会有一些明显的进步。