做自動(dòng)駕駛芯片必須軟硬一體，最多的工作不是芯片本身，而是與之對(duì)應(yīng)的算法庫(kù)。對(duì)于自動(dòng)駕駛，英偉達(dá)提供兩種合作模式。

圖片來(lái)源：互聯(lián)網(wǎng)

一種是車(chē)企交出全部靈魂，英偉達(dá)提供全套解決方案，包括底層OS，中間件DRIVEWORKS，上層應(yīng)用模塊DRIVE AV包括座艙的模塊DRIVE IX也一起提供。不過(guò)中國(guó)禁止國(guó)外廠家上路采集信息，也就是用于識(shí)別的訓(xùn)練數(shù)據(jù)集還是需要中國(guó)廠家自己去做。如果是在美國(guó)，訓(xùn)練數(shù)據(jù)集英偉達(dá)也可以提供。

另一種是車(chē)企交出部分靈魂，英偉達(dá)提供底層的基礎(chǔ)算法，這些算法大多基于手工模型，和深度學(xué)習(xí)沒(méi)關(guān)聯(lián)。實(shí)際深度學(xué)習(xí)或者說(shuō)AI是自動(dòng)駕駛領(lǐng)域最容易做的部分，搜集數(shù)據(jù)，標(biāo)注數(shù)據(jù)，訓(xùn)練數(shù)據(jù)，提取權(quán)重模型。這也是為什么AI不具備可解釋性，無(wú)法迭代，好在AI可溯源。工作量最大，難度最高的都是非深度學(xué)習(xí)部分。手工模型，傳統(tǒng)算法的好處是可解釋?zhuān)傻?，具備確定性。

后一種的算法庫(kù)，英偉達(dá)稱(chēng)之為VPI，即Vision Programming Interface，2021年2月發(fā)布，目前是2.0版本，VPI除了針對(duì)智能駕駛，也能用在任何計(jì)算機(jī)視覺(jué)領(lǐng)域，英偉達(dá)Jeston系列硬件平臺(tái)都支持VPI。VPI提供一系列軟件庫(kù)，可在英偉達(dá)的硬件平臺(tái)上得到加速，通常加速器還叫Backend后端。VPI用來(lái)取代NVIDIAVisionWorks。VPI可以最大化利用硬件，特別是Xavier和Orin的PVA、VIC、OFA。簡(jiǎn)單地說(shuō)VPI將一些簡(jiǎn)單的算法封裝成了類(lèi)似硬件指令集的指令，對(duì)用戶(hù)幾乎透明，可直接調(diào)用，讓原本需要N行代碼才能完成的算法函數(shù)，只需一行指令就完成，讓不熟悉基礎(chǔ)算法的人也能勝任。大大縮減了開(kāi)發(fā)周期和開(kāi)發(fā)人員，效率顯著提升。缺點(diǎn)是被英偉達(dá)深度捆綁，想換個(gè)平臺(tái)絕無(wú)可能。

圖片來(lái)源：互聯(lián)網(wǎng)

用C++或Python都可以直接使用。

PVA（Programmable Vision Accelerator），可編程視覺(jué)加速器；

VIC（Video Image Compositor），做一些固定功能的圖像處理，如縮放、色彩轉(zhuǎn)換、消噪；

NVENC（NVIDIA Encoder Engine），主要做視覺(jué)編碼，也能做稠密光流應(yīng)用。

整個(gè)VPI的執(zhí)行概念，就是提供適合實(shí)時(shí)圖像處理應(yīng)用的異步計(jì)算管道，由一個(gè)或多個(gè)異步計(jì)算流（streams）組成，這些流在可用計(jì)算后端（backends）的緩沖區(qū)（buffers）上運(yùn)行算法（algorithms），流之間使用事件（events）進(jìn)行同步。VPI將數(shù)據(jù)封裝到需要使用的每個(gè)算法的緩沖區(qū)中，提供Images（二維圖像）、Arrays（一維數(shù)組）和Pyramids（二維圖像金字塔）的三種抽象，以及用戶(hù)分配內(nèi)存包裝，由VPI直接分配和管理。

英偉達(dá)VPI 2.0算法對(duì)應(yīng)硬件。

圖片來(lái)源：互聯(lián)網(wǎng)

算法庫(kù)主要包含三類(lèi)算法：

一是簡(jiǎn)單的圖像前處理，包括各種平滑濾波、鏡頭畸變矯正、縮放、透視、拼接、直方圖、消噪、快速傅里葉變換等；

二是針對(duì)立體雙目視差的獲得；

三是光流追蹤。

OFA即光流加速器，為Orin平臺(tái)獨(dú)有，Xavier平臺(tái)不支持。OFA只針對(duì)一個(gè)算法，就是立體雙目視差估算。

英偉達(dá)VPI核心算法即圖中這六大算法

圖片來(lái)源：互聯(lián)網(wǎng)

盡管只有奔馳和豐田用英偉達(dá)處理器處理立體雙目，新型造車(chē)除了RIVIAN目前都不使用立體雙目（小鵬小米可能在將來(lái)使用立體雙目），但英偉達(dá)每一次硬件升級(jí)都不忘對(duì)立體雙目部分特別關(guān)照。

英偉達(dá)立體雙目處理流程

圖片來(lái)源：互聯(lián)網(wǎng)

立體雙目視差的獲得需要多種運(yùn)算資源的參加，包括了VIC、GPU（CUDA）、CPU和PVA。

圖片來(lái)源：互聯(lián)網(wǎng)

英偉達(dá)Orin平臺(tái)立體雙目視差測(cè)試成績(jī)，要達(dá)到每秒30幀，那么處理時(shí)間必須低于30毫秒，考慮到還有后端決策與控制系統(tǒng)的延遲，處理時(shí)間必須低于20毫秒。1個(gè)下取樣情況下，顯然都無(wú)法滿(mǎn)足30幀的要求，4個(gè)下取樣，不加置信度圖時(shí)，單用OFA就可以滿(mǎn)足。加置信圖后，需要OFA/PVA/VIC聯(lián)手，也能滿(mǎn)足30幀需求。但這只是200萬(wàn)像素，300萬(wàn)像素估計(jì)就無(wú)法滿(mǎn)足了。

圖片來(lái)源：互聯(lián)網(wǎng)

并且此時(shí)是火力全開(kāi)，運(yùn)行頻率如下：

CPU: 12x ARMv8 Processor rev 1 (v8l) running at 2.2016 GHz

EMC freq.: 3.1990 GHz

GPU freq.: 1.3005 GHz

PVA/VPS freq.: 1.1520 GHz

PVA/AXI freq.: 832.8 MHz

VIC freq.: 729.6 GHz

Power mode: MAXN

Fan speed: MAX

這種火力全開(kāi)情況下，恐怕不能持續(xù)太長(zhǎng)時(shí)間。

光流Optical Flow追蹤主要用于目標(biāo)的行駛軌跡的預(yù)測(cè)。

圖片來(lái)源：互聯(lián)網(wǎng) 上圖就是奔馳用光流法預(yù)測(cè)車(chē)輛行駛軌跡。

圖片來(lái)源：互聯(lián)網(wǎng)

上圖是奔馳的顏色編碼，不同的顏色代表車(chē)輛即將行駛的速度和方位角。

光流是利用圖像序列中像素在時(shí)間域上的變化以及相鄰幀之間的相關(guān)性來(lái)找到上一幀跟當(dāng)前幀之間存在的對(duì)應(yīng)關(guān)系，從而計(jì)算出相鄰幀之間物體的運(yùn)動(dòng)信息的一種方法。研究光流場(chǎng)的目的就是為了從圖片序列中近似得到不能直接得到的運(yùn)動(dòng)場(chǎng)，其本質(zhì)是一個(gè)二維向量場(chǎng)，每個(gè)向量表示了場(chǎng)景中該點(diǎn)從前一幀到后一幀的位移。那對(duì)于光流的求解，即輸入兩張連續(xù)圖像（圖像像素），輸出二維向量場(chǎng)的過(guò)程。除了智能駕駛，體育比賽中各種球類(lèi)的軌跡預(yù)測(cè)，軍事行動(dòng)中的目標(biāo)軌跡預(yù)測(cè)都能用到。光流場(chǎng)是運(yùn)動(dòng)場(chǎng)在二維圖像平面上的投影。因?yàn)榱Ⅲw雙目和激光雷達(dá)都是3D傳感器，而單目或三目是2D傳感器，所以單目或三目的光流非常難做。光流再分為稀疏和稠密（Dense）兩種，稀疏光流對(duì)部分特征點(diǎn)進(jìn)行光流解算，稠密光流則針對(duì)的是所有點(diǎn)的偏移。

最常見(jiàn)的光流算法即KLT特征追蹤，源自1981年，早期的光流算法都是稀疏光流，手工模型或者說(shuō)傳統(tǒng)算法。2015年有人提出深度學(xué)習(xí)光流法，在CVPR2017上發(fā)表改進(jìn)版本FlowNet2.0，成為當(dāng)時(shí)最先進(jìn)的方法。截至目前，F(xiàn)lowNet和FlowNet2.0依然是深度學(xué)習(xí)光流估計(jì)算法中引用率最高的論文。傳統(tǒng)算法計(jì)算資源消耗少，實(shí)時(shí)性好，效果比較均衡，但魯棒性不佳。深度學(xué)習(xí)消耗大量的運(yùn)算資源，魯棒性好，但容易出現(xiàn)極端，即某個(gè)場(chǎng)景非常差，但無(wú)法解釋?zhuān)c訓(xùn)練數(shù)據(jù)集關(guān)聯(lián)程度高。即使強(qiáng)大的Orin也無(wú)法FlowNet2.0做到實(shí)時(shí)性，畢竟Orin不能只做光流這一件事。因此英偉達(dá)還是推薦KLT。產(chǎn)業(yè)領(lǐng)域光流法主流還是KLT。但學(xué)術(shù)領(lǐng)域已經(jīng)是深度學(xué)習(xí)了。

硬件與算法互相推動(dòng)，硬件算力的增強(qiáng)讓人們敢于部署越來(lái)越大規(guī)模的深度學(xué)習(xí)模型，反過(guò)來(lái)，這又推動(dòng)硬件算力的需求，特別是自動(dòng)駕駛，傳統(tǒng)可解釋算法研究的人越來(lái)越少，因?yàn)橥度氘a(chǎn)出比太低，深度學(xué)習(xí)正橫掃一切，但深度學(xué)習(xí)不可解釋?zhuān)?chē)領(lǐng)域需要的是可解釋可預(yù)測(cè)可確定。否則無(wú)法迭代，無(wú)法劃出安全邊際線。這也是自動(dòng)駕駛難以落地的主要原因。

審核編輯 ：李倩