ВЫБОР РЕДАКЦИИ

Обзор ключевых компаний в сфере платформ автономных транспортных средств

Возможно ли массовое развертывание автономных автомобилей в 2025 г.?

Вопросы развития краевых вычислений

Перспективы развития микроконтроллеров с краевым искусственным интеллектом

Проблемы разработки программно-управляемого аппаратного обеспечения

Искусственный интеллект – перспективы развития

Наступление эры искусственного интеллекта реального масштаба времени

Искусственный интеллект и увеличение интереса к краевым вычислениям

Бесшовная связь – становой хребет Четвертой промышленной революции

Использование биометрии в Сухопутных войсках США

Вопросы развития краевых вычислений

Машинное обучение открывает новые возможности FPGA

Материалы Симпозиума SEMI по промышленной политике

Современное состояние и перспективы развития рынка САПР

Teraki совершает «квантовый скачок» в сфере больших данных

Бум стартапов во Франции

Материалы Симпозиума SEMI по промышленной политике

Экономические аспекты развития технологий искусственного интеллекта

О перспективах рынка потребительской электроники

Средства искусственного интеллекта учатся распознавать звуки

Превосходство КНР в области искусственного интеллекта: правда или миф?

Некоторые проблемы развития памяти с высокой пропускной способностью

eIQ Auto: инструментарий глубокого обучения корпорации NXP

eIQ Auto: инструментарий глубокого обучения корпорации NXP

Выпуск 22 (6696) от 07 ноября 2019 г.
РУБРИКА: АВТОМОБИЛЬНАЯ ЭЛЕКТРОНИКА

Корпорация NXP Semiconductors, стремящаяся выделиться среди конкурентов за счет инструментальных средств «автомобильного качества», представила новый инструментарий глубокого обучения под названием eIQ Auto. Быстрый прогресс в области глубокого обучения и повышенная точность этих средств привлекают разработчиков, стремящихся улучшить свои высокоавтоматизированные транспортные средства. Новая продукция NXP облегчает процесс внедрения глубокого обучения в автономные автомобили.

Развитие автономных транспортных средств (АТС) не обязательно требует использования искусственного интеллекта (ИИ) либо глубокого обучения. Проще говоря, не все АТС должны управляться ИИ. Однако трудности с проверкой безопасности управляемых ИИ АТС сохраняются.

Специалисты в области безопасности озабочены тем, что природа глубокого обучения представляет собой «черный ящик», – ​и это лишь один из многих острых вопросов. Остается неясным, могут ли разработчики АТС верифицировать и аттестовывать непрерывно обучающуюся систему ИИ. Также неизвестно, будет ли развернутая на специальном автомобильном аппаратном обеспечении функция ИИ вести себя так же, как в период разработки и обучения на более крупной и мощной компьютерной системе.

Несмотря на подобные опасения, сообщества разработчиков АТС и средств безопасности признают, что ИИ – ​тема, обсуждения которой нельзя избежать. После того как на первой неделе октября 2019 г. корпорация Underwriters Laboratories представила рабочую версию спецификации UL 4600, стало понятно, что полная и безопасная автономность – ​вещь реально достижимая и достаточно безопасная. Спецификация UL 4600, по сути, представляет собой один из стандартов безопасности, предназначенных для оценки автономных систем, разрабатываемых в настоящее время корпорацией Underwriters Laboratories. Данный стандарт не предполагает и не требует, чтобы глубокое обучение было развернуто внутри АТС. Но он охватывает проверку любых функций машинного обучения и других автономных функций, используемых в жизненно важных приложениях.


Программный инструментарий автомобильного класса для глубокого обучения

На этом фоне корпорация NXP Semicon-ductors представила набор инструментальных средств разработки ПО для глубокого обучения – ​eIQ Auto (рис. 1). Отмечается, что большинство существующих программных платформ глубокого обучения и нейронных сетей используются для потребительских приложений, таких как зрение, речь и естественный язык. При этом они не обязательно разрабатываются с учетом жизненно важных приложений.



Источник: NXP

Рисунок 1. Набор инструментария разработки для средства глубокого обучения eIQ Auto корпорации NXP

* ONNX (Open Neural Network Exchange) – средство открытого обмена данными нейронных сетей, открытая библиотека ПО для построения нейронных сетей глубокого обучения.

** TensorFlow – открытая программная библиотека машинного обучения (разработка Google) для решения задач построения и тренировки нейронной сети с целью автоматического нахождения и классификации образов с достижением качества человеческого восприятия.

*** Оптимизированная библиотека ядра ПО (optimized kernel library) – библиотека, содержащая хорошо оптимизированные многопоточные реализации математических функций. Содержит BLAS, LAPACK, ScaLAPACK, солверы для разреженных систем, быстрое преобразование Фурье, векторизованные математические функции и т. д.

**** NEON – технология, предназначенная для ускорения обработки мультимедиа, сигналов, алгоритмов, 2D- и 3D-графики в играх, при кодировании и декодировании информации, синтезе речи и т. д. по крайней мере в три раза.


Корпорация NXP, ведущий поставщик автомобильных ИС, сделала еще один шаг вперед, обеспечив совместимость своего набора инструментальных средств разработки ПО с программой определения возможностей и улучшения процесса создания ПО автомобильного назначения (Automation Software Process Improvement and Capability dEtermination, A-SPICE). На деле A-SPICE – ​это набор рекомендаций, разработанных немецкими автопроизводителями для улучшения процессов разработки ПО.

Специалисты NXP подчеркивают, что их средство eIQ Auto разработано специально под процессор NXP S32V234 и предназначено для помощи разработчикам АТС в оптимизации разработки встраиваемого аппаратного обеспечения алгоритмов глубокого обучения и ускорении его выхода на рынок.

Некоторые производители автомобилей уже разработали аналогичные наборы инструментальных средств глубокого обучения. Но среди поставщиков автомобильных ИС корпорация NXP в этом смысле пока одинока.


Прюнинг, квантование и сжатие

Процесс подготовки данных и тренировки (обучение) и процесс развертывания ИИ (формирование логических выводов) во встраиваемых системах хорошо изучены. Сегодня разработчики АТС при испытании их тестовых машин на дорогах общего пользования собирают данные со скоростью 4 Гбайт/с. Очистка и аннотирование такого огромного объема данных и подготовка его к обучению могут быть очень дорогостоящими. В некоторых случаях процесс обработки данных и их маркировки (аннотирования) сам по себе оказывается не по карману для разработчиков алгоритмов и АТС-стартапов.

Задачи, связанные с оптимизацией обученной модели ИИ и преобразованием ее для развертывания (на механизме формирования логического вывода), не менее сложны для разработчиков АТС, хотя и мало обсуждаются публично. Предложенное корпорацией NXP инструментальное средство ускоряет процесс квантования, прюнинга и сжатия нейронной сети. При использовании прюнинга происходит удаление избыточных связей, присутствующих в архитектуре нейронной сети, за счет вырезания неважных весовых коэффициентов. Поскольку новая «обрезанная» модель неизбежно теряет в точности, после обрезки она должна быть настроена с целью восстановления.

На следующем этапе за счет квантования создается «эффективный вычислительный процесс». Квантование включает в себя объединение весовых коэффициентов путем их кластеризации или округления, чтобы одно и то же число соединений можно было представить с использованием меньшего объема памяти. Другой распространенный метод – ​преобразование весовых коэффициентов с плавающей запятой в представление с фиксированной точкой путем округления. Как и в случае с прюнингом, после квантования модель должна быть точно настроена.

Разработчики АТС оценивают точность преобразованной модели путем запуска тестовых данных (которые система глубокого обучения раньше не видела) и дальнейшей тонкой настройки модели. Последовательность операций обучения, оценки и развертывания ИИ при помощи глубокого обучения представлена на рис. 2.



Источник: NXP

Рисунок 2. Глубокое обучение: последовательность операций обучения, оценки и развертывания


Распределение рабочей нагрузки

Помимо прочего средство eIQ Auto способно распределять рабочую нагрузку и выбирать оптимальную вычислительную машину для каждой части нейронной сети. Багодаря этому ускоряется процесс создания механизма формирования логического вывода, так как данное инструментальное средство помогает разработчикам АТС выяснить, какие задачи лучше всего выполняются на центральном процессоре, ЦОС-процессоре или графическом процессоре. Отмечается, что средство eIQ Auto не может использоваться с приборами, произведенными другими фирмами, поскольку оно должно быть хорошо знакомо с тем, что происходит внутри процессора.

Средство eIQ Auto также поставляется с интерфейсами для обучения структур и форматов моделей, таких как TensorFlow, ONNX, Caffe, Pytorch – ​в дополнение к моделям оптимизации и используемому инструментарию (скрипты, необходимые инструментальные средства компиляторов) и библиотекам программ этапа исполнения (C/C++, vector DSP, NEON).

Таким образом, цель инструментального средства eIQ Auto – ​помощь клиентам в быстром переходе от среды разработки к реализациям ИИ, соответствующим строгим автомобильным стандартам.


Случаи применения ИИ в автономных транспортных средствах

В настоящее время наиболее распространенное приложение ИИ внутри транспортного средства – ​техническое зрение, использующее нейронные сети для классификации объектов на изображениях. Оно также применяется для контроля состояния водителя и салона автомобиля, идентификации лиц и обнаружения пассажиров и багажа. Основные применения средств глубокого обучения в автомобилях показаны на рис. 3.



Источник: NXP

Рисунок 3. Применения средств глубокого обучения в автомобилях


Другие потенциальные автомобильные применения ИИ включают радары. Ожидается, что в будущем радары будут использовать нейронные сети для классификации участников дорожного движения на основе их изображений. Отмечается, что использование ИИ в радиолокационных приложениях остается недостаточно развитым из-за более высоких барьеров выхода на рынок, связанных с использованием радара в качестве датчика. По сравнению с КМОП формирователями сигналов изображения радары существенно дороже. Отраслевые эксперты полагают, что отсутствие или недостаток радарных данных ограничивает доступные наборы данных.

Прогнозируется, что ИИ также будет применяться для слияния данных – ​например, совместного использования систем технического зрения и радаров. При этом в отрасли еще не достигнут консенсус о том, на каком этапе (раннем или завершающем) будет осуществляться объединение этих двух видов сенсорных данных.

Сейчас большинство тестовых АТС поставляются с энергоемким оборудованием, не слишком подходящим для массового производства автомобилей. Специалисты корпорации NXP надеются, что их новое инструментальное средство eIQ Auto позволит клиентам развертывать мощные нейронные сети в среде встроенных процессоров с самым высоким уровнем безопасности и надежности.


Yoshida Junko. NXP Touts Auto-Grade AI Toolkit for AVs. EE Times, October 8, 2019: https://www.eetimes.com/document.asp?doc_id=1335187


ЧИТАЙТЕ ТАКЖЕ

Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.
Выпуск 23(6747) от 25 ноября 2021 г. г.
Выпуск 18(6742) от 16 сентября 2021 г. г.
Выпуск 17(6741) от 02 сентября 2021 г. г.