什么是个性化自适应布局视觉训练技术,在哪里有

原标题:英特尔至强可扩展平台 助力数字世界的变革

面向敏捷数字服务的前瞻性平台

在日新月异的数字世界中,商业、工业、科学和娱乐等领域不断涌现出各种颠覆性的技术趋势,对全球经济产生着越来越大的影响。到2020年,全球2000强公司有一半需要开发数字增强型产品、服务和体验以实现业务成功,大型企业的数字业务收入预计将增长80%,这主要得益于技术进步和先进的使用模式。

这种全球性行业变革正快速扩大对灵活计算、网络和存储的需求。未来的工作负载将要求基础设施可无缝扩展,以支持即时响应和满足多样化的性能要求。数据生成和使用呈指数级增长、云端计算的快速增长、5G网络的兴起及高性能计算(HPC)和人工智能(AI)向新使用领域的延伸,都要求当前的数据中心和网络急速演进,否则会在竞争激烈的环境中被淘汰。为此,我们需要打造面向未来、灵活、可快速扩展的现代化数据中心和网络。

英特尔至强可扩展平台为设计强大的数据中心平台奠定了坚实基础,可实现敏捷性和可扩展性的跨越式进步。这款创新的处理器采用了颠覆性设计,在平台融合与计算、存储、内存、网络和业务持续性等功能方面树立了全新标准。现在,借助功能丰富的多功能平台,企业与云和通信服务提供商可推进其极富进取精神的数字化发展计划。

显著提升效率和降低总体拥有成本

英特尔至强可扩展平台支持从企业到技术计算应用的各种基础设施,旨在推进数据中心的现代化改造以提升运营效率,从而降低总体拥有成本(TCO)和提高用户生产力。基于英特尔至强可扩展平台构建的系统旨在提供敏捷的服务和将总体拥有成本降低至65%,这主要得益于它能够降低软件和操作系统许可费用,以及采购、维护和基础设施成本。

图1英特尔至强可扩展平台与使用四年的系统和基于上一代英特尔至强处理器的系统的比较表明,最新一代的英特尔CPU能够为企业、云、通信和高性能计算提供更出色的性能和功能。

十年来,企业虚拟化一直在稳步发展。多数企业都采用了某种形式的虚拟化技术,促使服务器要承担在数据中心中运行虚拟机(VM)的更多任务。与前几代产品相比,英特尔至强可扩展平台使每台服务器运行的虚拟机数量提高4.2倍,可帮助IT在更少的硬件上整合更多服务。

无处不在的突破性超强性能

英特尔至强可扩展平台具有全新的英特尔MeshArchitecture、更丰富的资源以及硬件加速和全新集成技术,可将一致、无处不在的突破性超强性能提升到全新水平。

图2英特尔至强处理器可为多样化的工作负载提供一致性能。

在基础性增强方面拥有:

  • 更高的每核性能:多达28个内核可为计算、存储和网络使用等各种计算密集型工作负载提供出色的性能和可扩展性。
  • 更高的内存带宽/容量:内存带宽和容量增加50%。具有六个内存通道(上一代产品是四个内存通道),支持内存密集型工作负载。
  • 扩展的I/O:48通道PCIe3.0可提供高带宽和吞吐量,支持要求苛刻的I/O密集型工作负载。
  • 英特尔UltraPathInterconnect(UPI):多达三个英特尔UPI通道可提升平台的可扩展性,支持其扩展至多达八路配置,相比上一代产品可提高CPU间带宽以支持I/O密集型工作负载(借助英特尔QuickPathInterconnect)。英特尔UPI可在提高吞吐量和能效之间取得完美平衡。
  • 英特尔高级矢量扩展512(英特尔AVX-512):相比上一代英特尔AVX2,英特尔AVX-512每个时钟周期的每秒浮点运算次数增加了一倍,可提升应用中要求最苛刻计算任务的性能和吞吐量,如建模和模拟、数据分析和机器学习、数据压缩、可视化和数字内容创建。
  • 业务持续性不打折:近乎零开销的加密有助于提升所有安全数据事务的性能。

在创新集成方面,首次平台集成提升了基础设施的性能并降低了其延迟:

  • 集成的英特尔 Omni - Path Architecture(OPA)主机架构接口:端到端高带宽、低延迟的架构无需分离式主机架构接口卡,可优化高性能计算集群的性能并简化其部署。集成在CPU封装中。
  • 集成的英特尔 Quick Assist Technology(QAT):基于芯片的硬件加速可帮助日益增长的压缩与加密工作负载提高效率,同时改善服务器、存储和网络基础设施的数据传输和保护。
  • 集成的英特尔 Ethernet(带可扩展iWARPRDMA):提供多达四个10Gbps高速以太网端口,支持高数据吞吐量和低延迟工作负载。适用于软件定义存储解决方案、NVMExpressoverFabric解决方案和虚拟机迁移。集成在芯片组中。

在存储支持方面,存储创新可大幅提升数据密集型工作负载的效率和性能:

  • 支持英特尔傲腾固态盘和英特尔3DNAND固态盘:实现行业领先的高吞吐量、低延迟、高服务质量和超高耐用性组合,打破数据访问瓶颈。
  • 借助英特尔Volume Management Device(VMD)轻松部署下一代存储:支持从PCIe总线中对NVMe固态盘进行热插拔,无需关闭系统,同时标准化LED管理有助于更快速地识别固态盘状态。这种通用性有助于为NVMe固态盘提供企业可靠性、可用性和可维护性(RAS)特性,支持轻松部署下一代存储。

在补充和可扩展性方面,英特尔提供了广泛的硬件和软件产品组合来补充这款全新处理器:

  • 英特尔至强融核处理器是高度并行应用(如机器学习训练、模拟和可视化)理想的基础性产品。
  • 英特尔FPGA具备高效的加速功能,支持将可编程硬件灵活用于低延迟应用,如虚拟切换、网络服务、数据分析和人工智能。
  • 各种面向通用和高度并行计算的软件工具和资源库可帮助开发人员针对英特尔架构优化应用。

对于面临日益严格的数据安全与隐私审查的企业而言,数据和平台可靠性与保护至关重要。英特尔至强可扩展平台可帮助构建具备出色平台数据保护、弹性和正常运行时间的高度可靠的基础设施。

提升每个工作负载的数据保护和可靠性:

  • 增强的英特尔可靠运行技术:全新的增强功能可提供卓越的可靠性、可用性和可维护性(RAS)及服务器正常运行时间,能够帮助企业运行最关键的工作负载。硬件辅助功能(包括增强的MCA和恢复与自适应多设备纠错)可帮助诊断过去严重的错误并从中恢复。此外,它们还可帮助确保内存子系统的数据完整性。
  • 英特尔密钥保护技术(KPT),带集成的英特尔QAT和英特尔平台可信技术(PTT):提供覆盖空闲中、使用中、传输中场景的高效密钥和数据保护,实现硬件增强的平台业务持续性。
  • 具备一键式激活功能的英特尔可信执行技术(TXT):增强平台业务持续性,同时支持简化和扩展英特尔TXT的部署。

随着数据中心内的数据密集型工作负载日益增多,这一整套硬件增强型特性可改善数据级和平台级保护机制,帮助企业和云环境提供可靠的服务。

增强型计算、内存、网络和存储性能的融合,配合软件生态系统优化,使得英特尔至强可扩展平台适用于完全虚拟化的软件定义数据中心,可帮助其根据工作负载需求在本地、通过网络及在公有云中动态地自动配置资源。

面向敏捷数据中心的强大工具和技术:

  • 英特尔VT-x的新特性:基于模式的执行控制(MBE)虚拟化,支持管理程序更可靠地验证和执行核心级代码的完整性,在虚拟化环境中增加一层针对恶意软件攻击的防护;时间戳计数器扩展(TSC)虚拟化,支持虚拟机在基础频率不同的CPU之间迁移,以在混合云环境中实施工作负载优化。
  • 英特尔NodeManager4.0:帮助IT智能地管理和优化数据中心的电源、散热和计算资源,实现最高效率,同时避免过热造成的高成本。

面向数据驱动型混合云企业的强大平台

企业希望发掘激增数据流的价值,快速获取洞察,形成相关业务计划。企业的传统和新兴应用(包括预测性分析、机器学习和高性能计算)需要全新水平的强大计算功能和大规模分层数据存储卷。企业正在使用融合的整体方法构建现代化数据中心,以灵活交付全新服务,降低当前基础设施资产的总体拥有成本,同时帮助以最无缝、最可扩展的方式过渡至自主治理的混合数据中心。

然而,运行OLTP和Web基础设施等基础性业务工作负载的企业希望通过性能更高的基础设施降低总体拥有成本。

面向未来的英特尔至强可扩展平台可适应数据驱动型混合云时代的发展需求,能够为企业提供下一代企业级功能,同时可帮助改善日常运营,将运行时工作负载每秒处理的请求数量增加多达58%。结合内存与I/O方面的技术进步,这款多功能平台可革新计算密集型和延迟敏感型应用的计算性能。借助创新型英特尔数据中心级固态盘产品家族管理存储、高速缓存和内存的大量数据卷,基于英特尔至强可扩展平台构建的平台能够满足数据和云时代的巨大需求。

性能强劲的英特尔至强可扩展平台专为部署高效的虚拟化计算、存储和网络基础设施而设计,提供可扩展封装选项组合以满足多样化的工作负载要求。

面向云优化的5G就绪型网络

和下一代虚拟网络的下一代平台

即将到来的5G时代将催生全新的消费级和企业级服务生态系统和类别,以及支持无线和有线网络的媒体应用。这些数据丰富的创新型用例由全新的物联网(IoT)、视觉计算和分析而推动,将为通信服务提供商(CoSP)在未来创造更高收入提供巨大机遇。

为迎接5G时代的到来,首要的准备工作就是从专用的固定功能基础设施迁移至新一代开放网络。带有网络功能虚拟化(NFV)的软件定义网络将帮助通信服务提供商和企业推出全新服务和提升运营效率。灵活、经过优化的行业标准服务器和虚拟化编排网络功能将帮助面向未来的基础设施高效、轻松地交付创新服务。

这些分布式通信网络可帮助日益增长和日益多样的网络工作负载(从网络核心到边缘)实现极高的可扩展性、敏捷性、可编程性和业务持续性。

英特尔至强可扩展平台为使用下一代平台构建云优化的虚拟化5G就绪型网络奠定了坚实基础。该平台的架构可轻松扩展和适应不同情况,从而满足新兴应用的需求和支持关键工作负载的融合,如应用和服务、控制平面处理、高性能数据包处理和信号处理这款全新处理器构成了敏捷网络的基础,可帮助后者以出色的云经济性运行,实现高度自动化和快速响应,以及快速、安全地交付全新和增强的5G服务。

图3结合数据平面开发套件(DPDK)和英特尔QAT,这款全新处理器可提升网络性能,帮助服务提供商支持更多流量以扩大服务和收入,并为5G的到来做好准备。

开源数据平面开发套件(DPDK)支持在英特尔架构上优化通信运营。DPDK展现了在处理器内核数量增加和性能提升时实现性能扩展的能力,Vector Packet Processing (VPP) IPSec等工作负载都可从性能提升中受益。此外,这些资源库提供了预优化机制,支持全新的处理器功能(如英特尔AVX-512及内存和I/O增强特性)增强数据包处理性能,并减少直接的开发工作。

英特尔推出了英特尔Network Builders University等计划,以促进5G时代的网络演进。通过这些计划提供的解决方案指导和培训,通信服务提供商能够增强实施网络转型计划的信心。

今天的科学发现有赖于创新算法、丰富的新数据源及计算与存储进步的推动。借助激增的数据,高性能计算集群可帮助运行不断演变的高性能数据分析(HPDA)工作负载,获得重大发现和洞察,为企业和用户带来全新认知。机器学习、深度学习和人工智能将大规模计算功能和数据洪流进行了融合,可推动新一代应用(如自动系统和自动驾驶汽车)的发展。

英特尔至强可扩展平台是人工智能的通用平台,可为推理和训练提供高吞吐量,相比使用四年的系统可将推理吞吐量提升多达18倍、将训练吞吐量提升多达19倍。

高性能计算不再是大型科研机构的专用技术。企业在逐步实施更多的高性能计算周期,全球一些最大的高性能计算集群部署在私营石油和天然气公司中。个性化医药研究需将高性能计算用于特定领域的治疗计划。全新的高性能计算集群将在非传统应用中采用创新型融合架构,将模拟、人工智能、可视化和分析整合在一台超级计算机中。

图4英特尔至强可扩展平台可提升13种常见高性能计算工作负载的性能。

从最小的集群到最大的超级计算机,高性能计算平台需要在计算、内存、存储和网络之间保持适当平衡。英特尔至强可扩展平台旨在借助大规模的扩展能力(数万个内核)提供和实现这种平衡。从改进的内核数量和网格架构到全新集成的技术及对于英特尔傲腾内存和存储设备的支持,英特尔至强可扩展平台可帮助实现高性能计算的终极目标,即最大限度地提高计算、内存、存储和网络性能,同时可在资源相交时避免瓶颈。

Architecture集成至英特尔至强可扩展平台可提升分布式并行计算集群的性能和扩展性。近线性扩展至多达32个节点的功能支持构建不受互连技术限制的大型高性能计算解决方案。相比上一代英特尔至强处理器,英特尔至强可扩展平台可将科研与金融服务领域的13种常见高性能计算工作负载的总体性能提升1.63倍。英特尔至强可扩展平台和英特尔Omni - Path Architecture可为许多数据中心的高度并行工作负载提供全新的发现功能和更快的解决方案。

在其他的高性能计算、HPDA和人工智能技术方面:

  • 具有集成众核(MIC)架构的可启动英特尔至强融核处理器7200系列是高度并行工作负载(如机器学习训练、模拟和可视化)理想的基础性产品。
  • 各种高效软件工具、优化的资源库、基础性构建模块及灵活的通用和高度并行计算框架可帮助简化工作流,支持开发人员创建可最大限度地将人工智能功能用于高性能计算等领域的代码。
  • 人工智能领域的Neon、Caffe、Theano、Torch和TensorFlow等主流深度学习框架的优化可为数据科学家提供更高价值和性能。

针对高性能计算优化的资源,为继续通过高性能计算将发现技术推进到百万兆级时代,英特尔现代代码开发者计划为开发人员和数据科学家提供了可轻松访问的在线和面对面代码现代化技术课程,涵盖矢量化、内存和数据布局、多线程和多节点编程等技术

智能网联技术被认为是汽车诞生百余年来最具革命性的技术变革。在世界新一轮科技和产业革命的影响下,未来5-10年

汽车产业将经历一场突破式的创新变革,全球互联网巨头都已经部署网联汽车。

当前,汽车技术正朝着低碳化、信息化、智能化、联网化的方向发展,为汽车产业的发展带来了深刻的挑战和机遇。其中,智能网联技术被认为是汽车诞生百余年来最具革命性的技术变革。在世界新一轮科技和产业革命的影响下,未来5-10年汽车产业将经历一场突破式的创新变革。信息技术、网络技术等将对传统汽车产业进行全面升级和改造,汽车产业将与互联网产业产生深度融合。

美、欧、日等传统汽车强国纷纷制定相关政策法规大力支持汽车智能网联技术的发展,国际领先汽车企业也投入大量研发资金。而中国亦于2015年发布了《中国制造2025》,将智能网联汽车提升到国家战略的高度,并于2016年发布了《智能网联汽车技术路线图》,明确智能网联汽车技术发展的总体思路、发展目标和技术路径。因此,可以预期,未来5-10年汽车产业的变革将为投资者带来重大投资机会。

智能驾驶核心部件普及?

全球互联网巨头都已经部署网联汽车:

根据《智能网联汽车技术路线图》,智能网联汽车发展的总体思路分为三个阶段:近期推进以自主环境感知为主,网联信息服务为辅的部分自动驾驶应用;中期重点形成网联式环境感知能力,实现可在复杂工况下的半自动驾驶;远期推动可实现V2X协同控制、具备高度/完全自动驾驶功能的智能化技术。智能汽车、互联驾驶延伸路径详见下图:

智能汽车的重大标志,显然是自动驾驶。美国汽车工程学会将自动驾驶分为0到5级,目前L1-L2技术已成熟,L3-L4即将量产(如特斯拉、丰田AHAC、通用Super Cruise)。中短期内,智能汽车将以ADAS形式呈现,相关迭代路径如下图所示:

在相关产业链上,传感器、摄像头、激光雷达以及算法芯片将是智能互联汽车的四大技术基础要件:

ADAS目前在自动泊车、紧急制动、自动变道、自动巡航等场景广泛应用。

Lux Research预测全球ADAS市场渗透率将从3%提升到2020年57%,市场规模近2000亿。上游元器件行业如激光雷达、摄像头、HUD(抬头显示)等需求有望快速增长,2020年达到百亿级别。

智能驾驶核心技术是感知+决策+执行的闭环控制。核心技术目前掌握在外资公司手里,如博世、大陆、德尔福、电装、奥托立夫等,Mobileye在摄像头领域占75%份额;EyeQ芯片在全球330万辆车安装。而中资公司如博泰在后装ADAS和预警类ADAS领域可能有所突破。

在自动驾驶汽车上,传感器将通过“特征提取-深度学习算法-神经元网络”,完成路标识别、车道线感应、行人识别、车辆识别,相关功能、成本、优劣势详见下方表格:

摄像头是未来智能汽车使用量最多的ADAS传感器,分为环视、前视、后视、侧视、内置。前视技术难度更高,需要光流算法、机器学习算法、机器视觉算法等:

2014年整体摄像头市场201亿美元,其中模组77亿、CMOS72.5亿。

在国外,车用摄像头公司主要有Mobileye、Aptina、Qualtre、JVC等;而国内目前参与开发的主要厂家有豪威科技、赛丽康、派视尔、敏通企业、纵目科技、中科慧眼等等,尚未产业形成龙头。

激光雷达是利用激光、GPS和惯性测量装置(IMU)合一,生成数字高程模型(DEM)。核心作用是3D建模进行环境感知,以及同步建图(SLAM)加强定位,已逐渐成为ADAS标配。

目前主要有三种技术解决方案:线束激光雷达、旋转激光雷达、固态激光雷达。

机械式多线束激光雷达是主流方案,但成本高昂,主要供应互联网公司自动驾驶的测试传感器件,渗透力有限。

激光雷达降低成本的途径主要有三种:

1、降维:即低线束配合其他传感器来提高系统稳定性。

2、黑科技:“固态”激光雷达有望颠覆行业,Velodyne VLP-16 PUCK混合固态目前造价7999美金,福特量产宣称能降成本降到500美金。

3、规模效应:Quanergy固态激光雷达量产价格目标为250美金。

2020年成本计划500美元。谷歌旗下Waymo的激光雷达成本从2009年7.5万美金降至2017年的7500美金。

国外公司包括Velodyne的LiDAR,获得百度与福特1.5亿美元融资,处于供不应求状态。IBEO-低线束LiDAR还有Quanergy-全固态产品S3。

国内已发布车用LiDAR器件包括北科天绘、禾赛科技、速腾聚创;北醒光子、思岚科技、北京星天地、新光圆城、广州思拓、华达科技、安智、无锡中科光电、北京德可达科技、护航实业、镭神智能、思拓力、四维远见、数字绿土。详细情况见下图:

无人驾驶决策系统的核心环节,无疑是算法+芯片的深度学习。需要利用大量实际道路测试数据积累和控制策略迭代。

行业领先者的NVIDIADrive PX,通过挖掘GPU计算能力进行深度神经网络训练;GoogleBrain Deep Learning则通过模拟人脑的多层神经网络进行智能汽车环境识别的途径。

目前,已经获得美国加州无人驾驶路试资格的公司包括:

(2)传统整车厂与一级供应商,如大众、奔驰、日产、宝马、本田、福特、博世、德尔福等。

当下,GPU的趋势向FPGA过渡,FPGA(可编程门阵列)是“万能芯片”,用户根据自身需求用HDL对硬件电路设计烧录。单位能耗下性能更强、更灵活,比GPU更有效,“以面积换速度”。这类似于比特币挖矿芯片的发展规律,智能驾驶车用芯片最终会走向ASIC时代(ASIC挖矿速度是FPGA/GPU的200-400倍)。

车联网将是智能驾驶的延伸和拓展。细分又可分为:前装车联网、后装车联网。

前装车联网,主要是地图导航以及V2V通讯。2016年中国前装车联网渗透率19%(全球平均27%)。预计到2020年中国车联网市场规模2600亿。后装车联网,可自主设置娱乐、导航、生活消费等车载服务。详见下图所示:

目前,国内参与地图导航的公司主要有:四维图新(FastMap)、高德地图、TomTom(荷兰公司,有博世合作开发无人驾驶技术)、HERE联盟(奥迪宝马戴姆勒31亿美元买下,四维图新英特尔参股)、百度等等。

而V2V通信技术,是由福特公司在2014年6月3日发布,可以监测街上行驶的其他车辆的速度、位置等对其他驾驶员无法开放的“隐藏”数据,可降低交通事故几率、提升用户粘性。目前,中国利用现有蜂窝网络基础设施推广LTE-V车联网专用通信。LTE-V有以下优势:1)支持更高车速;2)保证更小时间延迟;3)数据传输速率更快;4)覆盖范围更广;5)成本更低;6)通信更安全。主要推动者为:大唐电信、高鸿股份、中兴通讯。

UBI是基于驾驶行为的保险。当前车险改革转向以人为主、人车路相结合,个性化服务和产品,提高客户接触频率、体验、粘性。空间巨大。目前障碍包括驾驶风险模型和保险定价模型,原因是整车厂和tier 1尚未开放UBI数据源。UBI参考公司有Progressive、State Farm、Metromile、Insure the

国内车联网验证基地目前有上海嘉定汽车城封闭测试区;杭州云栖小镇5G车联网示范区;重庆智能汽车于智慧交通应用示范区;北京通州国家车联网产业基地;芜湖自动驾驶试验区。

汽车后市场:共享自动驾驶使出行成本显著降低

智能化、联网化的汽车,将使我们的出行方式发生重大变革。

自动驾驶未来离不开激光雷达?

近期,自动驾驶无疑已经成为科技圈和汽车圈的热点话题,谷歌、百度、苹果及Uber等科技公司,特斯拉、奥迪、奔驰、宝马等主流汽车厂商纷纷投入自动驾驶领域。然而,关于自动驾驶技术路线之争也一直没有停止过。据了解,在不同技术路线中,所使用到的传感器主要有激光雷达、毫米波雷达以及摄像头三类,且各具优缺点。

激光雷达具有高精度、高分辨率的优势,同时具有建立周边3D模型的前景,然而其劣势在于对静止物体如隔离带的探测较弱且目前技术落地成本高昂。由于激光雷达可广泛应用于ADAS系统,例如自适应巡航控制(ACC)、前车碰撞警示(FCW)及自动紧急制动(AEB),因此吸引了不少具有先进技术的初创公司竞争,同时传统供应商也积极布局投资希望能够达成战略合作关系以便快速获得先进技术。

与激光雷达相比,毫米波雷达具有探测距离远,不受天气状况影响以及成本低的优势。由于毫米波雷达采用硅基芯片,不会特别昂贵,也不涉及复杂工艺,同时正处于第二次工艺转型的重要时期,预计成本仍有下降空间。

相比激光雷达暂时高不可攀的成本以及较低的技术壁垒和自身可全天候工作的优势,毫米波雷达可以说是目前初创公司进入自动驾驶市场的一个门槛较低的入口。

车载摄像头是最基本常见的传感器,价格低廉且应用广泛同时具备雷达无法完成的图像识别功能,不仅可以识别路牌,在自动驾驶系统的图像处理方案中也是不可或缺的一部分。

鉴于目前激光雷达的高成本,摄像头配合高精度地图是另一种较低成本的技术路线。除了与高精度地图配合为自动驾驶提供定位服务,摄像头还可以在地图采集过程中作为低成本且数据传输量小(摄像头捕捉的是小尺寸的2D画面)的数据收集器。

二、视觉主导还是激光雷达主导?

据清华大学邓志东教授介绍,自动驾驶环境感知的技术路线主要有两种:一种是以特斯拉为代表的视觉主导的多传感器融合方案,另一种以低成本激光雷达为主导,典型代表如谷歌Waymo。

1、视觉主导,以特斯拉为代表:摄像头+毫米波雷达+超声波雷达+低成本激光雷达。

摄像头视觉属于被动视觉,受环境光照的影响较大,目标检测与SLAM较不可靠,但成本低。目前,特斯拉已经在其量产车上列装了Autopilot 2.0固件,而且成本较低,只有7000美金左右,8个摄像头组成单目环视,有1个毫米波雷达和12个超声波雷达,希望从L2跳跃到L4。

经过半年的努力,特斯拉近期已经完成了将路测大数据从Mobileye单目视觉技术过渡到基于NvidiaDrive PX2计算硬件平台的特斯拉Vision软件系统上,并且在今年3月底发布了8.1软件版本,它用深度学习的方法在短期内基本达到了Mobileye的技术水平,这是以前很难想象的。特斯拉的自动驾驶技术究竟怎么样,一个重要的观察点就是看它能否在2017年年底,如期从洛杉矶开到纽约,实现全程4500公里且无人工干预的完全自主驾驶。

2、激光雷达主导,以GoogleWaymo为代表:低成本激光雷达+毫米波雷达+超声波传感器+摄像头。

激光雷达是主动视觉,它的目标检测与SLAM比较可靠,但是却丢失了颜色和纹理且成本高昂。目前谷歌Waymo自己组建团队研发激光雷达的硬件,把成本削减了90%以上,基本上是7000美金左右,同时他们已经开始在美国凤凰城地区对500辆L2级别的车进行社会公测,大大地推进了该类技术路线的落地实践。

激光雷达主导的解决方案未来可以沿如下两个方向继续推进商业化进程:

一个是发展摄像头与激光雷达的硬件模组,把两者结合起来,既有激光雷达,又有彩色摄像头,可以直接获得彩色激光点云数据。

另一个是进一步降低激光雷达的硬件成本,比如研发固态激光雷达并真正实现产业化,届时成本会下降到几百美金。

总之,现在自动驾驶领域有三大核心问题需要着力突破:即利用人工智能,尤其是利用深度学习进行目标识别、自主导航和信息融合,这三方面的技术成果是真正具有商业价值的。

目标识别:例如对交通流稠密的复杂城区,如何可靠地进行周边障碍物的检测与行为预测,特别是对极端与紧急情况的感知与预测。

自主导航:激光SLAM或视觉SLAM及其与低成本组合导航的精准融合;

信息融合:多传感器如何进行信息融合。

三、未来的发展趋势是什么?

目前,由于各种原因,不同厂商对于自动驾驶技术路线仍有争议,所采用的传感器组合方式也有侧重。但是,对于未来发展趋势,业内主流观点认为以激光雷达为主,毫米波雷达以及摄像头等多种传感器为辅的融合才是实现自动驾驶的必由之路。显然,以色列创业公司Innoviz CEO兼联合创始人Omer David Keilaf也是这种观点的支持者。

他认为,将毫米波雷达、摄像头、激光雷达等传感器数据融合的技术,对于保证车辆对周边环境的全局定位和理解是至关重要的,且为Level 3-Level 5级自动驾驶方案的实现提供了必要的技术储备。在环境感知中,每一种传感器都有独特的优势和弱点。例如,毫米波雷达可在低分辨率情况下完成测距,且受天气因素影响小;而摄像头有更高的分辨率,能够感知颜色,但受强光影响较大;激光雷达则能够提供三维尺度感知信息,对环境的重构能力更强。

在这种前提下,只有几种传感器的融合才能提供车辆周围环境更精准的绘图信息,并达到OEM主机厂所需的安全标准。目前,高性能激光雷达的量产和成本问题,仍是通往多传感器融合技术方案,乃至完全自动驾驶的障碍之一。

(来源网络,版权归原作者所有)

欢迎在下方评论,别忘了支持下小编哦!

Donkey Car是一种为模型车开源的DIY平台,它利用一个带有相机的,让模型车可在赛道上自动驾驶,Donkey Car会学习你的驾驶方法,在训练后懂得自动驾驶。对于那些没有背景知识的人来说,该平台能提供你所需要的必要细节,它既包含硬件也带有软件。阅读完这一教程,你也可以无需硬件背景知识组装一辆自己的自动驾驶汽车。

现在,训练汽车进行自动驾驶最常见的方法就是行为克隆和路线跟随。在高级层面,行为克隆是利用卷积学习汽车前方摄像机所拍摄的图像之间的映射,并通过监督学习控制方向和油门大小。而路线跟随是利用计算机视觉技术跟踪路线,并且利用一个D控制器让小车跟着该路线。我尝试了两种方法,它们都很有用!

用行为克隆训练Donkey Car避开障碍物

重要的一点是,Donkey Car的目标是搭建一辆在比赛中跑的最快的车(能以最快速度跑完一圈)。我认为强化学习是训练的好方法,只需设计一种奖励,让汽车的速度达到最快,并且让它能一直保持在轨道内即可。听上去很简单对吧?但事实上,很多研究表示在实体目标上训练强化学习是很困难的。强化学习主要通过试错法训练,放在汽车身上,我们只能保佑车子不会在一次次的实验中撞碎。另外,训练时长也是一个问题,通常,强化学习智能体都要训练个几百回合才能掌握些许规律。所以,强化学习很少用在现实物体中。

最近有一些科学家们研究对现实进行模拟,即先用强化学习在虚拟模拟器上训练小车,然后将其迁移到现实世界里。例如,最近Open就训练了一个灵活的机械手臂,可以做出多种动作,整个过程就是在虚拟中训练的。除此之外,谷歌大脑也曾训练过一个四足机器人,可以用模拟现实的技术学习灵活的动作。在虚拟器中学习控制策略,然后再将其部署到真正的机器人上。这样看来,若想用强化学习训练Donkey Car,一个可行方案就是先用模拟器训练,再把学到的策略用在真的小车上。

第一步是先为Donkey Car建造一个高保真度的模拟器。幸运的是,Donkey Car社区里一位爱好者在Unity中创建好了一个模拟器。但是它设计的目的主要针对行为学习(即将相机中的图片保存在对应的控制角度和油门大小文件中以进行监督学习),但是和强化学习无关。我希望的是有一个类似OpenAI Gym那样的交互界面,可以用reset( )重置环境、对其进行操作。所以,我决定在现有的Unity模拟器基础上对其进行修改,让它更适合强化学习。

用ny Edge检测器检测并提取所有边框

用Hough直线转换确定所有直线

删除所有不属于车道的直线

最终转换出的图片应该有最多2条直线,具体情况如下:

接着我把分割后的图像重新调整到(80, 80)的,将4个连续的框架堆叠在一起,用它们作为新的输入状态。我使用新状态再次训练了DDQN,生成的强化学习智能体可以学习良好策略进行驾驶!

然而,我注意到不仅仅训练时间会变长,学习策略也会变得不稳定,车子会经常在转弯的时候摇晃。我想可能是因为在训练的时候丢掉了有用的背景信息。不然的话,智能体应该不会过度拟合。

在这篇文章中,我们介绍了一种能和OpenAI gym相比的环境,用来训练Unity模拟器中的Donkey Car。还用DDQN训练它自动成功地自动驾驶。接下来,我计划让小车通过训练加速到最大值,并且将这一策略迁移到现实中。

我要回帖

更多关于 自适应布局 的文章

 

随机推荐