魔视智能虞正华：基于嵌入式深度学习智能驾驶的4大关键壁垒

1月24-25日，2017高工智能汽车年会在深圳万悦格兰云天酒店隆重举行。本届年会以“智能汽车2020，展望与变革”为主题，超650位整车、自动驾驶、车联网、智能配件等产业链上下游公司领袖齐聚一堂，共享行业盛会。

魔视智能科技（上海）有限公司创始人兼CEO虞正华带来《基于嵌入式深度学习的智能驾驶》主题演讲。

魔视智能创始人兼CEO 虞正华

虞正华提到，深度学习在ADAS、自动驾驶等领域具有较大优势，具有准确性高，鲁棒性强、目标检测、目标识别能力强等优点。

深度学习目前有4大关键壁垒需要突破：第一，需要海量数据的积累；第二，需要准确率高的算法；第三，需要嵌入式计算平台；第四，需要满足车规，能进入前装体系。

他还指出，在计算平台方面还具有两低三高的要求：低成本、低功耗、高性能、高安全性；此外，需要计算平台高度可编程。

China-FOT的研究发现，现在的车载智能驾驶系统里面仅仅关注了46%的危险场景，还有54%的危险没有被有效覆盖，例如切入危险、路口危险等等。中国的路况十分复杂，有各种各样的客车、货车、行人、非机动车等目标，智能驾驶系统如何面对？

这些问题都可以归结一类，就是目标检测及目标识别这些非常基础的问题。对于这样的问题在过去十几二十年在学术界、产业界都有很多的研究和尝试，用的方法是传统人工智能的方法，难以突破的问题是目标场景的复杂性、角度的多样性。

传统的方法很容易碰到壁垒和瓶颈，过去绕过这些问题的方法是限定应用条件，例如限定只关注当前车道的车辆。很幸运的是2012年以来深度学习兴起了。用深度学习在ADAS、自动驾驶等领域都具有很多优势，包括准确性高，鲁棒性强等特点，特别适合中国复杂的路况。

其实，深度学习在自动驾驶领域的应用不仅仅限于目标检测，还包括目标识别、语义分割、目标测距等等。

但是值得一提的是，深度学习的算法虽然好，我们必须要解决关键的一点：进入汽车的前装体系，满足车规。这是一个嵌入式的系统，其实有很多的挑战。

比如说，首先深度学习是依赖于数据，需要有海量数据的积累；第二，深度学习算法本身对系统的性能起着至关重要的作用，所以需要有准确率高的算法；第三，就是计算平台，因为深度学习非常好，但是它有一个缺点，就是算法复杂性比较高，所以需要有相应的嵌入式计算平台进行匹配；第四，需要满足车规，进入整车的前装体系，这些都是面临的挑战。

对于计算平台，需要满足一个要求，就是两低三高：低成本、低功耗、高性能、高安全性，并且是高度可编程，这些要求从某种意义上来说是互相矛盾的要求。

为什么把可编程性拎出来讲呢？深度学习大规模兴起是在2012年，从2012年到现在深度学习的算法是在持续进步，每三个月可能会有一个新的方法被发明出来，如果计算平台一开始设计的太死，没有可编程性，意味着这个系统到量产时很可能性能已经落后很多。

这方面我们做了很多尝试，我们做的是一个基于FPGA的嵌入式深度学习平台，满足目前和未来深度学习算法发展的需要。

这个嵌入式深度学习平台具备高计算性能，目前已经可以在一个嵌入式的芯片支持超过100层的深度学习网络，深度学习引擎比传统引擎达到了2.8倍的性能提升，同时这是一个车规级的芯片，满足26262等规范。

魔视智能成立于2015年，团队两方面背景，一方面是人工智能，一方面是汽车电子，公司总部在上海。我们团队其实在视频识别的算法方面对传统算法有很多的积累，已经做了十几年。

但是在魔智公司成立之日开始就确立了走嵌入式深度学习的路线，从2015年开始做这件事，2016年完成了第一代基于FPGA的深度学习的ADAS系统，2017年推出了第二代、第三代系统。

走嵌入式的深入学习这条路我们花了两年多的时间，这条路并不是一条非常容易的路，这里面踏过的多少坑，只有我们自己的研发团队比较清楚，但是很幸运的是我们今天已经把这个产品做到前装量产，同时我们深度学习算法在很多国际竞赛中也是排名第一。

除了算法之外，我们花了两年多的时间，全国30多个省市采集视频，这里面的工况非常复杂，大家可以想象得出，各种不同的车型，三轮车、板车、行人装载物等等，这些都是非常重要的数据。

今天很高兴我们第一次在公开场合发布我们这个车规级的前视一体机，代号叫Rayleigh，是嵌入式深度学习的ADAS产品，符合一系列的标准体系，包括了1094、883等等。功能上包括大家常见的一些辅助报警的功能如LDW\FCW\PCW，同时也可以拓展控制相关功能，比如说AEB。

未来而言，我们认为从L0到L3有大量的研发和产品化工作要做，从视觉感知、视觉与毫米波雷达融合、多目多传感器融合等等，这里面魔智基于嵌入式深度学习的路线，在整个产品体系里面会持续的发挥自己的作用。