愛因斯坦有曰，“瀚宇初開，萬物當(dāng)生也。萬物可謂振動，能光旋律之蕩漾焉。”（注：作者中譯）。AI新技術(shù)革命時代，大算力芯片也撥響了自動駕駛ADS的琴弦。大珠小珠般的AI算法在大算力驅(qū)動下應(yīng)運(yùn)而振，應(yīng)時而動，解決了ADS從L2到L5逐級演進(jìn)中的眾多技術(shù)難題。ADS每增加一級，算力需求也會呈現(xiàn)十倍速上升，L4級別可預(yù)計的算力需求在1000TOPS，L5級別估計在2000-10000TOPS。如圖1所示，后摩爾時代工藝更新性能提升放緩，延續(xù)性創(chuàng)新的邊際效益遞減，新興的大算力架構(gòu)在不斷涌現(xiàn)，加上駕駛AI算法高速迭代演進(jìn)，在未來5-10年內(nèi)可能會為后來的技術(shù)追趕者提供非常奇妙的一個直線超車的機(jī)會窗口。

圖1. 大算力時代自動駕駛ADS領(lǐng)域的機(jī)遇與挑戰(zhàn)

當(dāng)前ADS自動駕駛采用決策層后融合的方式，其局限性主要表現(xiàn)在在極端惡劣氣候與復(fù)雜遮擋等不確定性場景下分別進(jìn)行單模結(jié)構(gòu)化信息提取后再進(jìn)行融合決策，每個通道信息會有不同層面丟失，很難能夠進(jìn)行多模有效互補(bǔ)與特征提取共享，算力內(nèi)卷且性能遠(yuǎn)低于預(yù)期。
未來ADS算法會進(jìn)入一個全新的2.0階段，4D空間下基于時空的多模感知與融合推理， 也就是特征提取/統(tǒng)計推斷/應(yīng)急預(yù)測相結(jié)合，實現(xiàn)在動態(tài)復(fù)雜的有噪聲干擾等場景下，全程安全無碰撞的高效行駛。挑戰(zhàn)可以體現(xiàn)在，動態(tài)隨機(jī)的人車物交互，多變天氣路況，以及突發(fā)交通事件等。

ADS算法2.0從決策層后融合走向特征級前融合，當(dāng)前行業(yè)ADS2.0算法主要演進(jìn)方向為：

• 多模感知：主要是針對Camera/LiDAR/Radar海量數(shù)據(jù)流進(jìn)行特征提取，DL網(wǎng)絡(luò)主流趨勢是卷積CNN或者貝葉斯NN+Transformer的組合架構(gòu)，在統(tǒng)一的特征空間實現(xiàn)多模感知，特征融合共享以及多任務(wù)來提升算力的整體效率。

• 融合推理：主要是基于模型與基于數(shù)據(jù)的雙學(xué)習(xí)模式，DL網(wǎng)絡(luò)主流趨勢是基于目標(biāo)交互GNN或基于統(tǒng)計模型的貝葉斯RL強(qiáng)化學(xué)習(xí)或On-Policy應(yīng)急學(xué)習(xí)，實現(xiàn)ADS安全可信的預(yù)測規(guī)劃與控制。

ADS2.0算法演進(jìn)與對算力的新需求，可以總結(jié)為：

• 演進(jìn)趨勢1：感知定位預(yù)測決策控制模塊化處理流程中， 從決策層后融合走向感知層前融合，算法能夠在統(tǒng)一空間支持多模融合，多任務(wù)共享；

• 演進(jìn)趨勢2：預(yù)測與規(guī)劃聯(lián)合建模，從可獲得的Off-policy數(shù)據(jù)進(jìn)行學(xué)習(xí)，能夠自學(xué)習(xí)處理不確定性下的安全性問題，解決可解釋問題，持續(xù)學(xué)習(xí)解決新場景問題；

• 算力新需求：從compute-bound(矩陣-矩陣乘)走向memory-bound(矩陣-矢量乘)，從偏計算走向偏存取。

當(dāng)前市場上主流算力NPU芯片，都存在幾個共性問題，一是算法效率低，多數(shù)只針對CNN(例如3x3卷積)優(yōu)化；二是內(nèi)存墻問題：處理單元PE存算分離，數(shù)據(jù)共享難；三是能耗墻問題：數(shù)據(jù)重復(fù)搬移，耗能增加>30-70%。所以，當(dāng)前針對某些特定算法的芯片，無法解決未來ADS 2.0的需求。

從工程實踐上看，ADS 2.0算法需通過“硬件預(yù)埋，算法迭代，算力均衡” ，提供一個向前兼容的解決方案，以通用大算力（CPU的5-10倍性能提升，NPU的100-500倍性能提升）來解決未來不確定性的算法演進(jìn)：

• 底層架構(gòu)的演進(jìn)：從存算分離過渡到近內(nèi)存計算，最終走向內(nèi)存計算；

• 數(shù)據(jù)通道與模型：高速數(shù)據(jù)接口；數(shù)據(jù)壓縮+模型壓縮+低精度逼近計算+稀疏計算加速；

• 并行的頂層架構(gòu)：模型-硬件聯(lián)合設(shè)計，以及硬設(shè)計可配置+硬件調(diào)度+軟運(yùn)行可編程調(diào)度引擎。

未來，自動駕駛算法不會止步于ADS 2.0，而能夠真正支持人類自動駕駛夢想的算法ADS 3.0趨勢，我們估計會采用一個DNN網(wǎng)絡(luò)來進(jìn)行端到端學(xué)習(xí)。設(shè)想一下，有足夠的專家駕駛數(shù)據(jù)用來做模仿學(xué)習(xí)或采用RL自學(xué)習(xí)模式，可以有效降低數(shù)據(jù)標(biāo)注的信息瓶頸與嚴(yán)重依賴，從而能夠從多模多樣化數(shù)據(jù)層面進(jìn)行非直接的推理或者博弈類的對抗學(xué)習(xí)。ADS 3.0目前來看模型的可信與可解釋程度依然遠(yuǎn)低于預(yù)期。ADS系統(tǒng)的總體演進(jìn)趨勢，可以總結(jié)為：

• 場景演進(jìn)：負(fù)載多樣性

? 從數(shù)量有限的攝像頭設(shè)置走向 Camera + LiDAR + Radar 多模態(tài)組合。

• 趨勢演進(jìn)：算法多樣性

? 從CNN+Rule-based方案走向CNN, RNN, Transformer, GNN,  Bayesian, Deep Reinforcement Learning, Dynamic DNN, NAS Generated DNN, Variably Quantized DNN多算法組合。    

大算力時代，ADS系統(tǒng)首先是模仿人類的駕駛行為，通過注意力機(jī)制，期望在感知定位預(yù)測規(guī)劃控制領(lǐng)域提供遠(yuǎn)超人類的決策能力。這需要我們在AI的三要素（算法、算力、數(shù)據(jù)）基礎(chǔ)上添加第四要素，知識或者常識。

而上述要素，均需要在充分理解算法的快速迭代的大趨勢下，擁有充足的超大通用算力，ADS系統(tǒng)在離線模仿學(xué)習(xí)人類駕駛先驗知識經(jīng)驗與規(guī)則的基礎(chǔ)上，能夠提供在線自主學(xué)習(xí)能力，通過自學(xué)習(xí)激勵與博弈共贏策略應(yīng)對眾多不確定性的人機(jī)交互的復(fù)雜環(huán)境，能夠?qū)Q策不充分的場景下做到安全應(yīng)對和提供可信解釋能力。此外，大算力芯片也需要能夠通過額外的算力，對芯片內(nèi)百萬級的并行計算單元提供故障檢測與安全規(guī)避能力，對大量多模傳感器的部分或者完全失效進(jìn)行有效檢測與應(yīng)對決策處理，對駕駛環(huán)境針對傳感器的主動攻擊與外界目標(biāo)非主動干擾進(jìn)行有效檢測與實時決策處理。

作者Dr. Luo，東南大學(xué)工學(xué)博士，英國布里斯托大學(xué)博士后，是復(fù)睿微電子英國研發(fā)中心GRUK首席AI科學(xué)家，常駐英國劍橋。Dr. Luo長期從事科學(xué)研究和機(jī)器視覺先進(jìn)產(chǎn)品開發(fā)，曾在某500強(qiáng)ICT企業(yè)擔(dān)任機(jī)器視覺首席科學(xué)家。