無人機都會自動駕駛了，汽車還不學著點

最近一則大疆無人機在美國加州投資開設研發中心，多位前蘋果、特斯拉資深工程師加入的新聞無疑又為中國長了臉。繼大疆入股光學系統領導者瑞典哈蘇（Hasselblad）以後，加州研發中心的建立充分證明了大疆加大圖形處理以及自動駕駛Autonomous Driving相關技術投資的決心。

眾所周知，對於軍用無人機，自動駕駛可謂必備功能。但是對於民用無人機，這可是一個非常新鮮的功能。大疆又一次走在了行業前面。那麼汽車行業是否可以吸取其中的經驗呢？今天我們就來聊聊自動駕駛所需的核心技術，以及汽車自動駕駛有哪些特殊要求。

自動駕駛的核心技術-機器學習Machine Learning，特別是深度學習Deep Learning技術。目前的汽車自動駕駛分成了兩大陣營。傳統車廠偏向於基於強化先進駕駛輔助系統ADAS，從半自動、到高速公路自動再到城區道路功能，逐步走向自動駕駛。而以谷歌為代表的互聯網公司，則基於其特有的機器人人工智慧技術，正在嘗試跳過強化ADAS感測器的過程，直接進入最終的自主無人駕駛。其依仗的黑科技就是這種已在互聯網搜索引擎中有多年應用的「深度學習」技術。那麼我們就以「谷歌大腦」這個著名的「深度學習」研究項目，像各位解釋一下它的來源和原理。

2012年《紐約時報》大篇幅報道了當時由斯坦福大學主導與谷歌合作的谷歌大腦Google Brain項目。如上圖所示計算機基於「深度學習」技術分辨出人臉、人體和貓的特徵。而其實現原理則要感謝兩位諾貝爾得主大衛?休伯爾（David H. Hubel）和托斯坦?威澤爾（Torsten Wiesel）對於人腦視覺系統以及神經網路(Neural Networks)視覺處理過程的研究。簡單的說，兩位科學家發現人腦的視覺系統存在兩種細胞：簡單細胞和複雜細胞。因此受啟發而提出了神經網路分層處理模型。更直白一些，通過對大量低層次具體圖像的學習，計算機可以抽象出相應的高層次概念。比如對大量貓的圖像的學習，計算機可以抽象出貓的概念，最後可以基於這種高級概念對不同的貓的圖像進行判斷。如下圖既是多層次神經網路「深度學習」的處理過程。通過對大量圖像的處理得到圖形邊界Diagonal Line Node，然後再更深層的分析以後區分出人類Face Node和貓臉Cat Node，最後輸出。

谷歌基於以上原理，加上自身龐大的圖像資料庫和具有強大計算能力的伺服器完成了「谷歌大腦」項目。並且在稍後不久更新了其圖片搜索引擎，加入了基於圖片搜索類似圖片的功能。如下圖就是「谷歌大腦」抽象出的動物圖形。左邊是原始圖形，右邊為深層處理圖形。是不是有種詭異的抽象畫的感覺。

那麼將「深度學習」技術應用於網路，由於強大的伺服器的計算能力是完全可以實現的。但是要如何將它應用到小小的無人機和汽車上呢？

作為圖形處理方案的領導者、主流計算機顯卡的供應商英偉達NVIDIA為無人機以及汽車的自動駕駛應用提供了一個小巧且功能強大的解決方案。那就是下圖所示的信用卡大小的Jetson TX1圖形處理模塊。他的主要應用對象為無人機和汽車實現機器學習Machine Learning、圖形計算和導航等功能。其處理模塊特別為深度學習技術開發，NVIDIA稱為深度神經網路Deep Neural Networks，可以實現圖像識別、語音處理以及特定空間內的複雜障礙物路線避讓規劃（比如在空中或者公路上避讓障礙物以及規划到達終點的理想路徑）。其強大的計算能力和小巧的體積，幫助自動駕駛所需的深度學習技術得以從實驗室或者雲端像現實應用轉移。

說道汽車自動駕駛應該像無人機學習，那麼汽車又有什麼和無人機不同的挑戰需要應對呢？其實最大的不同點可以歸結於汽車需要更高的安全性。無人機自動駕駛如果出現故障通常來說對應的是財務損失，而汽車自動駕駛如果出現故障那可能傷及人命。因此汽車自動駕駛從安全性上提出了更高的要求。而安全性又分為功能安全（Functional Safety）和信息安全（CyberSecurity）兩大部分。為了應對這樣的高安全要求需要用什麼樣的解決方案來應對呢？讓我們來以EB公司Elektrobit、英飛凌Infineon和英偉達NVIDIA聯合推出的自動駕駛方案來舉個例子。目前汽車軟體功能商EB公司正在與英飛凌以及英偉達合作聯合推出自動駕駛的開發平台。其中各方扮演的角色和優勢如下：

1.英偉達：如前文所述，英偉達基於強大的圖形處理器 Tegra以及對應的開發平台DRIVE PX Platform進行複雜的圖像處理，圖形計算和處理機器學習對應的深度神經網路計算。

2．英飛凌：基於AURIX處理器提供高實時性的計算能力、同時強化的功能安全以及信息安全特性保障這個方案可以滿足汽車自動駕駛所需的高安全性要求。

3.EB：EB公司為整個自動駕駛開發平台提供將上述硬體平台集成Linux和AUTOSAR汽車通用性軟體平台的一整套軟體方案。並在軟體的層面實現對應的安全性保障措施。從軟體上滿足汽車高安全性的要求。

前面提到安全性分兩塊：功能安全和信息安全。

功能安全重點保障系統運行的整個生命周期其故障幾率都保持在可控範圍內，並可在足夠短的時間內發現危險故障並讓系統回到安全狀態。因此整個行業引入了相應的功能安全標準，對系統的安全性進行量化計算。

信息安全卻是一個近期開始備受重視的安全性要求，其更加與汽車自動駕駛技術相關連。如上圖所示，自動駕駛要求更多的感測器融合，比如雷達、攝像頭、激光、超聲波感測器。另一方面自動駕駛控制模塊又需要對各執行器進行控制，比如剎車、轉向、動力總成系統。那麼在這個感測->處理->執行的過程中涉及多個電子模塊，模塊間的通訊必須保證不受黑客的攻擊，否則後果就會不堪設想。英飛凌的AURIX處理器提供一個硬體的加密模塊，其原理就像家用的路由器所用的AES加密方法。為系統提供足夠的加密強度，而又不影響通訊速率。就像在家用路由器上網，加了密碼以後可以有效屏蔽蹭網，又不影響網速。

其實這樣的自動駕駛開發平台已經開始應用於汽車。一個最著名的例子就是奧迪Pilot Driving自動駕駛概念車所使用的控制模塊zFAS。如下圖一zFAS使用來自英偉達的Tegra處理髮雜的計算機視覺和機器學習計算。而英飛凌的AURIX則作為高實時性信號協調單元、功能安全診斷監控單元以及信息安全加密解密通信介面。下圖二為奧迪Pilot Driving概念車正在中國上海的道路上進行實際道路測試。

綜上所述，深度學習技術是目前最有可能實習的讓無人機或者汽車具備某種程度上的自主思考從而實現自動駕駛的技術。需要類似英偉達Tegra圖形處理器的方案，基於深度神經網路對複雜圖形信號和機器學習進行處理。而對於汽車自動駕駛與無人機的不同挑戰來說，汽車又需要更高的安全性，包括功能安全和信息安全。需要類似英飛凌AURIX處理器的方案，高實時性的協調各單元，同時又提供功能安全的診斷監控以及信息安全的加密解密通信介面。讓我們期待深度學習技術的越來越成熟，以及更加安全的汽車自動駕駛技術的到來吧。