什么样的算法配得上800万像素的摄像头？

　　当下，无论是造车新势力还是传统车企，在自动驾驶相关硬件配置上越来越卷，200万像素的摄像头纷纷被设计为800万像素。尽管成本有所增加，但硬件升级将200万像素摄像头的探测距离从120米扩展到了250米，也能更好地识别远处的各类交通标志。
　　在识别之后，这些被获取的数据又该如何应用？这便涉及到了自动驾驶中感知与规控中的规控。摄影头采集到的客观世界被呈现给后端的规划控制部分，就如同人眼看到了世界，大脑随后根据这些做出对这个世界的反应。所以如果只是硬件做了升级，其背后的算法却依旧保持原样，这样的升级便毫无意义。
　　黑芝麻智能系统架构高级经理仲鸣
　　黑芝麻智能系统架构高级经理仲鸣对钛媒体APP表示，为了推动更多的企业使用国产大算力芯片，黑芝麻智能自主研发了非常多的感知算法，能够加速并助力一些中短期内智能领航与泊车应用的产品快速落地。
　　800万像素摄像头的背后应该有怎样的感知算法？
　　800万像素的摄像头可以将车辆检测距离提升至250米，这意味着车辆可以在高速公路上用更高的时速进行自动巡航，250米远处的障碍物会被提前发现，车辆会做出刹停或规避动作。在非高速公路上行驶时，摄像头能够检测到远处行人横穿路面的运动轨迹，也能提前检测100米以外的红绿灯信号，以便车辆在做出减速等规避动作时为乘员提供更好的体验。在城市道路行驶时，摄像头的广角功能可以对于左右靠近的车辆、试图加塞的车辆做出及时的探测以供系统做出判断。
　　以上所有对于远近处车辆、行人、障碍物的检测在自动驾驶中都被称为感知。这些被感知的结果会送往后端，以对各个目标的行动轨迹做出预测与规划，这样才能更好地控制车辆进行行驶，这也就是越来越多的车型上开始搭载800万像素摄影头的原因。
　　200万像素的摄像头在自动驾驶中对应的产品形态通常是L2级别的辅助驾驶功能，并不需要对红绿灯以及其他复杂的交通标志牌进行检测。但是有了800万像素摄像头以及相匹配的感知算法，它的应用场景就可以拓展到NOA的多种场景之下，无论是车辆3D的BOS，还是轿车、SUV、VAN、BUS等车辆类型都可以做出准确的分类，即便是让国际供应商为之头疼的各类交通标志牌也能全面检出。这种算法背后，是黑芝麻智能扎根国内、了解国内负责交通路况与多样化场景的能力体现。
　　对于感知算法的挑战之一便是对不同类型道路标线的检测与识别，实线、虚线、实虚虚实、虚实实虚、黄色线等标线都是不同场景中经常出现的标线。或许对人来讲，从眼睛看到至大脑完成识别与规划是一件很简单的事，但是对于算法而言却要增加整个模型的规模，增加大量的数据来检测车道线分岔合并点。目前，黑芝麻智能的感知算法已经可以支持最多六条车道线与两条路沿，并且能够完成对大弯道的检测。
　　除此之外，黑芝麻智能的感知算法还能做到对每辆车灯光信号的识别，无论是前灯还是后灯，转向灯还是刹车灯，算法可以借此完成对每一辆车的识别。这种程度的灯光识别有利于算法对全部道路交通参与者行为的预测，以为乘员提供更舒缓的体验。
　　为了提高现有目标检测以及障碍物检测的鲁棒性，黑芝麻智能通过结合语义分割以及深度估计的训练方法与训练数据的方式，将不同维度的数据通过无监督或者半监督的方式来验证与提升整个算法的鲁棒性，从而确保这套感知算法在不同场景下都能满足系统的设计性能指标要求。
　　以日常使用过程中需求最为高频的环视感知为例，黑芝麻智能使用的A1000芯片算力较竞品更大，对多种场景的鲁棒性便会更好，能够准确识别多种停车位场景，即便是车位里的限位器与地锁等障碍都可以通过神经网络来识别。同样复杂的侧向来车识别在黑芝麻智能的感知算法中也得到了相对完美的解决，通过侧向、后向与前向的六个摄像头完成360度的视觉感知后，算法将其结果进行融合，融合后的结果将由规划控制完成NOA或城市道路的相应规划。
　　授人以鱼还是授人以渔？
　　黑芝麻智能的算法设计包含了神经网络与后处理等多个要素，当市场提出NOA或是L2变道等需求时，研发团队便会分析出对应的视觉需求，从而检测距离目标的稳定性，以及需要检测哪一个距离下的目标等信息。其后，黑芝麻智能会有针对性地去采集数据，通过不同的方法进行后处理算法的设计，以完成最终的产品化，这个闭环的过程就是包括神经网络与后处理在内的自动驾驶感知算法的迭代过程。
　　当下的神经网络算法迭代过程主要来自于数据与算法的双向驱动。前者通过采集更多的数据并做出标注来推动神经网络的精度持续提高，并能够加入更多的Cornercase来提高神经网络的鲁棒性。后者则通过算法功能开发或是算法结构调整以更好地适配这些Cornercase测试，这同样需要闭环。
　　为了能让合作伙伴的产品更快速地落地，黑芝麻智能还为他们提供了一整套深度学习工具链。合作伙伴可以讲自己在服务器上或是AI开发出来的模型转换为在黑芝麻智能芯片上可以运行的程序，然后通过pytorch、Caffe等一系列训练框架，将训练结果通过融合与仿真生成代码与对应的报告。这个工具链已经能够满足MobileNET等主流模型的运行需求，可以在黑芝麻智能的芯片上完成目标检测或车道线检测。
　　黑芝麻智能的模型闭环便是通过这个深度学习工具链来完成，算法合作伙伴也可以利用黑芝麻智能提供的工具链进行模型闭环，在PC上可以快速模拟切入平台的结果与量化，以更好地让AI开发工程师借此验证模型是否有效。
　　在仲鸣看来，每个Tier1在当下都会提出自己的行泊一体解决方案，尽管很多企业的全套算法能力还在建设中，但从长远来看，随着NOA的广泛应用，以及各大车企对于数据与神经网络的训练趋于完善，安全算法的开发将逐渐变成车企和Tier1共同进行。但是随着NOA的需求逐渐提高，结构化道路的算力需求可能会高达几十T到上百T，这便是国产大算力芯片的机遇所在。