车载芯片商到底瞄准了何种技术

Nvidia还发布了一款名为Digits的深度学习平台。Nvidia已经在用这个平台测试自己的自动驾驶车了。“自动驾驶技术具有令人难以置信的困难度，”黄仁勋指出，“它可不像你用监理所的手册来编程‘驾驶’这么简单。”为了显着缩短开发和训练深度神经网路所需的时间，汽车制造商需要像执行于在其伺服器超级电脑上的Digits这样的工具，Nvidia指出。

根据黄仁勋的构想，每家汽车公司最终都将拥有一个端对端的系统——范围从用于训练深度神经网路的NvidiaDigits到用于汽车中部署网路输出的NvidiaDRIVEPX2。为自动驾驶开发人工智慧软体的布达佩斯公司AdasWorks创办人兼执行长LaszloKishonti指出，该公司正与Nvidia合作开发用于富豪汽车(Volvo)的系统，这款基于GPU的系统可以即时处理来自多个感测器的资料。

Kishonti表示，AdasWorks不用处理器，“我们采用GPU、FPGA或其它任何可用的嵌入式视觉SoC。”但使用Nvidia解决方案的一个重要优势是，在车载电脑上开发与验证的逐行程式码与伺服器上使用的程式码是完全一样的。相较于 Mobileye仅关注于视觉处理，“我们的重点在于融合来自所有不同感测器的资料。视觉只是众多感测器资料中的一部份，”Nvidia汽车整合部门资深经理DaveAnderson表示。

Nvidia设计的DRIVEPX2可以处理来自12个视讯摄影机以及雷达、光达和超音波感测器的输入资料。他解释：“我们融合了这些资料，使其得以精确地侦测目标物体、进行辨识，以及判断汽车与周围世界的相对位置，然后找到安全行驶的最优路径。”

Ceva、高通也积极参与

然而，Nvidia并不是唯一推动深度学习用于自动驾驶车的企业。Ceva也在积极推广该公司自有的XM4成像与视觉DSP，这些DSP使用的是Ceva的即时神经网路软体架构，名为Ceva深度神经网路(CDNN)。Wertheizer解释说，该公司的客户将选择一种训练有素的神经网路，预先处理物件参数。透过使用Ceva的DSP引擎、韧体和CDNN，采用浮点网路和权重描述的物件参数将“在不损失精度的条件下”被转换为定点客制的网路和权重，他表示。

藉由Ceva的XM4DSP，CDNN可以让嵌入式系统执行“深度学习任务，而且其学习速度比基于先进GPU的系统能快三倍，功耗小30倍，所需记忆体频宽小15倍。”Ceva指出。在CES上，高通发布了整合LTE数据机和机器智慧的Snapdragon820车用系列产品。这个系列产品包含了高通的Zeroth机器智慧平台。Zeroth专案设计用于协助汽车制造商使用神经网路为ADAS和车载资讯娱乐系统创建基于深度学习的解决方案。

但到目前为止，Snapdragon取得的设计订单还只限于资讯娱乐功能。奥迪(Audi)在2017款汽车产品线中就选用了 Snapdragon602A处理器。正如Ceva的执行长所指出的，Snapdragon820A还提供了汽车安全完整性等级(ASIL)评分，这是 ISO26262定义的风险分类机制——针对道路汽车标准的功能性安全等级分类。与此相反，覆盖CDNN和XM4的Ceva端对端系统不久前才收到 ASILB证书，他补充道。

自动驾驶车的三大支柱

为了不被Nvidia以及也在推动深度学习的其他公司专美于前，Shashua在CES上提醒人们，Mobileye在ADAS和自动驾驶车市场中仍然遥遥领先。他强调，“摄影机不只是一个感测器，而是自动驾驶车大脑的一部份。”Mobileye执行长Shashua也在位于耶路撒冷的希伯来大学(HebrewUniversity)电脑科学系任教。他在年初的Mobileye新闻发布会发表演讲时表示，“感测、地图绘制和规划”是“自动驾驶的三大支柱。”

在他看来，目前有两大阵营致力于解决无人驾驶导航的挑战。第一个阵营是Google和百度(Baidu)等公司，目标是为特定地区创建极度详细的地图 (厘米级精确度的3D地图)，然后搭配光达等低解析度的感测器一起使用，在有地图的区域就能以完全自动的模式让汽车自动驾驶。

这种方法的问题是，地图放大到全球等级基本上是不可能的，随时保持地图更新也同样困难，因为一开始要创建地图所需的资料就是一个天文数字。

第二种方法是创建低解析度的世界地图，然后采用车上较高解析度的感测器——摄影机和其它感测器对地图进行增强。Shashua称此为汽车产业的首选方法，因为它能让汽车能“以部份自动功能到处行驶。”这种方法缺少的是人类等级的人工智慧(AI)来处理由感测器所撷取到的资料，他指出。自动驾驶车的目标是“以完整功能随处行驶，”Shashua指出，这正是Mobileye提出REM的切入点。REM是Mobileye藉由“更强大的人工智慧”创建高解析