大包子狸
26-11-17 13:25 微博认证:汽车博主 微博原创视频博主 微博新星创作者 微博新知博主

关于预见未来这件事,500TOPS做的怎么样了?

现在辅助驾驶领域非常热门的话题就是物理AI,物理AI里有个非常热门的话题就是对路上移动物体的预判。比如非常有名的就是“你看到一个球从路边滚出来,会不会想到后面追着一个孩子?”这个经典问题,被无数的大算力方案所提及,因为对未来的预测会消耗很大的算力资源。

这个话的逻辑没有什么问题,穷则自古以来,富则火力覆盖嘛。但这并不意味着,没有成千上万的算力就不能做预测,在@张抗抗KK 的一段辅助驾驶的视频中,结合我自己日常驾驶体验,我们可以很清楚的看出奇瑞搭载在猎鹰700上的体验就可以看出很清晰的预测痕迹。

比如图1,在发现前方有非机动车快速驶来且对向车道被拥堵的情况下,自车能够减速缓行,让过非机动车之后再绕行,如果这里不能够对非机动车的轨迹进行判断,很容易出现堵上去然后大家都走不了的情况。

比如图2,这时候自车要进入右侧车道,传统的辅助驾驶在这个场景下容易出现“竞速错过”的情况,就是为了要进入车道强行加速,但是快要临近路口,加速反而会错过虚线区域,而且加速以后其实在前面更难寻找空隙。这个时候减速利用后方拉开的差距往往是比较好的塞入时机。这个场景下,自车就很好的预测了白车加速行驶后拉开的场景,充分利用减速找到空隙,成功汇入。

再比如图3,这个场景对不仅仅对预测,而且对延时都是较大的考验。这里因为左转后才发现逆向驶来的卡车,处理时机非常短暂。这个场景下,自车首先是执行了很好的防御性驾驶,减速绕大转弯进入车道,这样就最大程度的扩展了观察范围和安全距离,确保自车第一时间发现来车。然后因为判断在大卡车的压迫下,原有的空间不足以进行避让,自车快速判断,利用十字路口的空间冗余进行避让,等待大卡车通过后,再返回正常车道。这里的预测来的非常之快,如果慢了一步,很可能就会车尾堵在外面,造成卡车和自车车尾碰撞的风险。

大家如果感兴趣,可以去看看抗博的这段视频(http://t.cn/AXTh4cIC),在这个测试过程中,这样的例子还很多。这里其实最值得说的是奇瑞这套系统使用的地平线J6P的算力只有560TOPS,并没有特别夸张的地方。但是能做到如此优秀的体验,其实主要归功于把芯片、模型和部署工具链一起设计,再加上数据与驾驶策略共同起作用。

在这样的软硬一体的情况下,算法团队和芯片团队可以提前协调:模型里哪些运算最频繁、哪些算子需要加速、数据如何调度、模型怎样在时延和精度之间取舍。可以把它理解为厨师参与了厨房设计:灶台、备菜台和出餐流程围绕要做的菜安排。另一家厨房灶台的理论火力更大,具体做这道菜时,也未必一定出餐更快。

例如同样要处理一个路口,神经网络的一部分可能受计算速度限制,另一部分却在等数据从存储器搬过来;某些算子还可能不能高效地放到加速器上。这时计算单元再多,也不一定都在干活。所以真正值得比较的是:在相同模型和相同精度下,能否稳定按时完成推理,以及完成它需要多少功耗。 编译器、算子适配、片上存储和数据调度,都会影响这个结果。

这也是奇瑞用的这套HSD软硬协同的价值:它有机会让更多理论性能变成真实可用性能。

发布于 江苏