近日，特斯拉中國在線下與媒體分享了其采用純視覺方案的思路與研究進(jìn)展。

堅(jiān)持視覺感知 用AI神經(jīng)網(wǎng)絡(luò)技術(shù)提升輔助駕駛能力

如圖1所示，Andrej說：“我們希望能夠打造一個(gè)類似動(dòng)物視覺皮層的神經(jīng)網(wǎng)絡(luò)連接，模擬大腦信息輸入和輸出的過程。就像光線進(jìn)入到視網(wǎng)膜當(dāng)中，我們希望通過攝像頭來模擬這個(gè)過程?！?/p>

圖1 攝像頭模擬人類圖像處理流程示意

多任務(wù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu)HydraNets，通過一個(gè)主干網(wǎng)絡(luò)處理8個(gè)攝像頭傳入進(jìn)來的原始數(shù)據(jù)，利用RegNet殘差網(wǎng)絡(luò)和BiFPN算法模型統(tǒng)一處理，得出不同精度下的各類型圖像特征，供給不同需求類型的神經(jīng)網(wǎng)絡(luò)任務(wù)所用。

圖2 多任務(wù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu)HydraNets

不過由于該結(jié)構(gòu)處理的是單個(gè)攝像頭的單幀圖片畫面，在實(shí)際應(yīng)用時(shí)候遇到很多瓶頸；于是在次結(jié)構(gòu)之上加入了Transformer神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使得原本提取的二維的圖像特征，變?yōu)榱硕鄠€(gè)攝像頭拼合起來的三維向量空間的特征，從而大大提升了識(shí)別率和精準(zhǔn)度。

還沒完，由于仍是單幀的畫面，所以還需要時(shí)間維度和空間維度，以讓車輛擁有特征“記憶”功能，用于應(yīng)對(duì)“遮擋”、“路牌”等多種場景，最終實(shí)現(xiàn)以視頻流的形式，將行駛環(huán)境的特征提取出來，形成向量空間，讓車輛能夠精準(zhǔn)、低延遲地判斷周圍環(huán)境，形成4D向量空間，這些視頻形式特征的數(shù)據(jù)庫為訓(xùn)練自動(dòng)駕駛所用。

圖3 視頻化4D向量空間的神經(jīng)網(wǎng)絡(luò)架構(gòu)

不過由于城市自動(dòng)駕駛與高速自動(dòng)駕駛不同，車輛規(guī)劃模塊有兩大難題，其一是行車方案不一定有最優(yōu)解，其局部最優(yōu)解會(huì)很多，也就意味著同樣的駕駛環(huán)境，自動(dòng)駕駛可以選擇很多種可能的解決方案，并且都是好的方案；其二是維度較高，車輛不僅需要做出當(dāng)下的反應(yīng)，還需要為接下來的一段時(shí)間做好規(guī)劃，估算出位置空間、速度、加速度等諸多信息。

所以特斯拉選擇兩個(gè)途徑解決規(guī)劃模塊這兩大難題，一個(gè)是用離散搜索方式解決局部最優(yōu)解的“答案”，以每1.5毫秒2500次搜索的超高效率執(zhí)行；另一個(gè)是用連續(xù)函數(shù)優(yōu)化來解決高維度問題。通過離散搜索方式先得出一個(gè)全局最優(yōu)解，然后利用連續(xù)函數(shù)優(yōu)化來平衡多個(gè)維度的訴求，例如舒適型、平順性等，得出最終的規(guī)劃路徑。

此外，除了要為自己做規(guī)劃，還要“估算”和猜測其他物體的規(guī)劃，即用同樣的方式，基于對(duì)其他物體的識(shí)別以及基礎(chǔ)的速度、加速度等參數(shù)，然后替其他車輛規(guī)劃路徑，并以此應(yīng)對(duì)。

不過全球各地的道路狀況千變?nèi)f化，非常復(fù)雜，如果采用離散搜索的方式會(huì)消耗大量資源，并且使得決策時(shí)間過長，所以選擇了深度神經(jīng)網(wǎng)絡(luò)結(jié)合蒙地卡羅搜索樹的方式，大大提高的決策效率，幾乎是數(shù)量級(jí)的差距。

圖5 不同方式下的效率

最終規(guī)劃模塊的整體架構(gòu)如圖5，先基于純視覺方案的架構(gòu)將數(shù)據(jù)處理為4D向量空間，然后基于之前得到的物體識(shí)別以及共享的特征數(shù)據(jù)，再利用深度神經(jīng)網(wǎng)絡(luò)尋找全局最優(yōu)解，最終規(guī)劃結(jié)果交給執(zhí)行機(jī)構(gòu)執(zhí)行。

圖6 視覺識(shí)別+規(guī)劃、執(zhí)行整體架構(gòu)

當(dāng)然，再好的神經(jīng)網(wǎng)絡(luò)架構(gòu)和處理辦法，都離不開一個(gè)有效且龐大的數(shù)據(jù)庫。在數(shù)據(jù)從2D向3D、4D轉(zhuǎn)換過程中，約1000多人的人工標(biāo)注團(tuán)隊(duì)也在與時(shí)俱進(jìn)在4D空間上進(jìn)行標(biāo)注，并且僅需在向量空間中標(biāo)注后，會(huì)自動(dòng)映射入不同攝像頭的具體單個(gè)畫面中，大大增加的數(shù)據(jù)標(biāo)注量，但這些還遠(yuǎn)遠(yuǎn)不夠，人工標(biāo)注的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)喂不飽自動(dòng)駕駛所需的訓(xùn)練量。

圖7 4D向量空間中人工標(biāo)注的演示

由于人更擅長語義識(shí)別，而計(jì)算機(jī)更加擅長與幾何、三角化、跟蹤、重建等，所以特斯拉想要?jiǎng)?chuàng)造一個(gè)人和計(jì)算機(jī)“和諧分工”共同標(biāo)注的模式。

特斯拉搭建了一個(gè)龐大的自動(dòng)標(biāo)注流水線，用45秒-1分的視頻，包括大量傳感器數(shù)據(jù)，交給神經(jīng)網(wǎng)絡(luò)離線學(xué)習(xí)，然后利用大量機(jī)器和人工智能算法生成可以用于訓(xùn)練網(wǎng)絡(luò)的標(biāo)注數(shù)據(jù)集。

圖8 視頻片段自動(dòng)標(biāo)注處理流程

對(duì)與可行駛區(qū)域例如道路、道線、十字路口等的識(shí)別，特斯拉使用了NeRF“神經(jīng)輻射場”，即一種2D向3D轉(zhuǎn)化的圖像處理算法，給出既定的XY坐標(biāo)點(diǎn)數(shù)據(jù)，讓神經(jīng)網(wǎng)絡(luò)預(yù)測地面的高度，由此生成無數(shù)的XYZ坐標(biāo)點(diǎn)，以及各種語義，例如路邊、車道線、路面等，形成大量的信息點(diǎn)，并反向投射到攝像頭畫面中；然后將其道路數(shù)據(jù)和之前神經(jīng)網(wǎng)絡(luò)識(shí)別出來的畫面分割結(jié)果進(jìn)行比較，并整體優(yōu)化所有攝像頭的圖像；同時(shí)結(jié)合時(shí)間維度和空間維度，創(chuàng)建出較為完善的重建場景。

圖9 重建道路的演示

利用此技術(shù)將不同車輛經(jīng)過同一地點(diǎn)所重建的道路信息，進(jìn)行交叉比對(duì)，他們必須在所有位置點(diǎn)信息一致對(duì)的上，才為預(yù)測正確，這樣共同作用下，形成了一種有效的道路表面的標(biāo)注方法。

圖10 多視頻數(shù)據(jù)標(biāo)注重疊互相校驗(yàn)

這與高精地圖完全不一樣，所有的視頻片段所產(chǎn)生的標(biāo)注信息只要越來越精確精準(zhǔn)，標(biāo)注信息和視頻里實(shí)際道路情況相符，就不必再維護(hù)這些數(shù)據(jù)。

同時(shí)利用這些技術(shù)，還可以對(duì)靜態(tài)的物體進(jìn)行識(shí)別和重建，并且有紋理、沒紋理都可以根據(jù)這些3D信息點(diǎn)做出標(biāo)注；這些標(biāo)注點(diǎn)對(duì)于攝像頭識(shí)別任意障礙物都非常有用。

圖11 靜態(tài)物體的3D信息點(diǎn)重建

采用離線處理這些數(shù)據(jù)和標(biāo)注的另一個(gè)好處是，單車網(wǎng)絡(luò)每次只能對(duì)其他運(yùn)動(dòng)事物進(jìn)行預(yù)測，而離線由于數(shù)據(jù)既定行，可以通曉過去和未來，就能依照確定的數(shù)據(jù)，忽視遮擋與否，對(duì)所有的物體的速度、加速度進(jìn)行預(yù)測和校準(zhǔn)優(yōu)化，并標(biāo)注，訓(xùn)練網(wǎng)絡(luò)后來更準(zhǔn)確判斷其他運(yùn)動(dòng)事物，便于規(guī)劃模塊進(jìn)行規(guī)劃。

圖12 離線對(duì)車輛、行人的速度、加速度校對(duì)和標(biāo)注

然后將這些結(jié)合起來，就形成了對(duì)視頻數(shù)據(jù)中，所有道路相關(guān)、靜動(dòng)態(tài)物體的識(shí)別、預(yù)判和重建，并對(duì)其動(dòng)力學(xué)數(shù)據(jù)標(biāo)注。

圖13 視頻片段對(duì)周圍環(huán)境的重建和標(biāo)注

這樣的視頻數(shù)據(jù)標(biāo)注將成為訓(xùn)練自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)的核心部分。其中一個(gè)項(xiàng)目就是在3個(gè)月內(nèi)，利用這些數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，成功實(shí)現(xiàn)了毫米波雷達(dá)所有功能并且更加準(zhǔn)確，所以去掉了毫米波雷達(dá)。

圖14 攝像頭幾乎無法看到情況下，對(duì)速度和距離的判斷依然精準(zhǔn)

驗(yàn)證了這種方式的高度有效，那么就需要海量的視頻數(shù)據(jù)來訓(xùn)練。所以同時(shí)，特斯拉還開發(fā)了“仿真場景技術(shù)”，可以模擬現(xiàn)實(shí)中不太常見的“邊緣場景”用于自動(dòng)駕駛培訓(xùn)。如圖4所示，在仿真場景中，特斯拉工程師可以提供不同的環(huán)境以及其他參數(shù)（障礙物、碰撞、舒適度等），極大提升了訓(xùn)練效率。

圖15 仿真場景

特斯拉利用仿真模式訓(xùn)練網(wǎng)絡(luò)，已經(jīng)用了3億張圖像和50億個(gè)標(biāo)注來訓(xùn)練網(wǎng)絡(luò)，接下來還會(huì)利用該模式繼續(xù)解決更多的難題。

圖16 仿真模式帶來的提升和未來幾個(gè)月預(yù)期

綜上，如果要更快速提升自動(dòng)駕駛網(wǎng)絡(luò)的能力，需要處理海量的視頻片段以及運(yùn)算。舉個(gè)簡單的例子，為了拿掉毫米波雷達(dá)，就處理了250萬個(gè)視頻片段，生成了超過100億個(gè)標(biāo)注；而這些，讓硬件越來越成為發(fā)展速度的瓶頸。

之前特斯拉使用的是一組約3000塊GPU、稍低于20000個(gè)CPU的訓(xùn)練硬件，并為了仿真還加入了2000多臺(tái)FSD計(jì)算機(jī)；后來發(fā)展到10000塊GPU組成的世界排名第五的超級(jí)計(jì)算機(jī)，但是即便如此，還是遠(yuǎn)遠(yuǎn)不夠。

圖17目前在使用的超級(jí)計(jì)算機(jī)參數(shù)和變化

所以特斯拉決定自己研制超級(jí)計(jì)算機(jī)。

“工程學(xué)的創(chuàng)舉”——D1芯片與Dojo超級(jí)計(jì)算機(jī)

當(dāng)下，隨著所需處理的數(shù)據(jù)開始指數(shù)級(jí)增長，特斯拉也在提高訓(xùn)練神經(jīng)網(wǎng)絡(luò)的算力，因此，便有了特斯拉Dojo超級(jí)計(jì)算機(jī)。

特斯拉的目標(biāo)是實(shí)現(xiàn)人工智能訓(xùn)練的超高算力，處理大型復(fù)雜的神經(jīng)網(wǎng)絡(luò)模式、同時(shí)還要擴(kuò)展帶寬、減少延遲、節(jié)省成本。這就要求Dojo超級(jí)計(jì)算機(jī)的布局，要實(shí)現(xiàn)空間和時(shí)間的最佳平衡。

如圖所示，組成Dojo超級(jí)計(jì)算機(jī)的關(guān)鍵單元是特斯拉自主研發(fā)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練芯片——D1芯片。D1芯片采用分布式結(jié)構(gòu)和7納米工藝，搭載500億個(gè)晶體管、354個(gè)訓(xùn)練節(jié)點(diǎn)，僅內(nèi)部的電路就長達(dá)17.7公里，實(shí)現(xiàn)了超強(qiáng)算力和超高帶寬。

圖18 D1芯片技術(shù)參數(shù)

圖19 D1芯片現(xiàn)場展示

如圖所示，Dojo超級(jí)計(jì)算機(jī)的單個(gè)訓(xùn)練模塊由25個(gè)D1芯片組成。由于每個(gè)D1芯片之間都是無縫連接在一起，相鄰芯片之間的延遲極低，訓(xùn)練模塊最大程度上實(shí)現(xiàn)了帶寬的保留，配合特斯拉自創(chuàng)的高帶寬、低延遲的連接器；在不到1立方英尺的體積下，算力高達(dá)9PFLOPs（9千萬億次），I/O帶寬高達(dá)36TB/s。

圖20 D1芯片組成的訓(xùn)練模塊

圖21 訓(xùn)練模塊現(xiàn)場展示

得益于訓(xùn)練模塊的獨(dú)立運(yùn)行能力和無限鏈接能力，由其組成的Dojo超級(jí)計(jì)算機(jī)的性能拓展在理論上無上限，是個(gè)不折不扣的“性能野獸”。如圖9所示，實(shí)際應(yīng)用中，特斯拉將以120個(gè)訓(xùn)練模塊組裝成ExaPOD，它是世界上首屈一指的人工智能訓(xùn)練計(jì)算機(jī)。與業(yè)內(nèi)其他產(chǎn)品相比，同成本下它的性能提升4倍，同能耗下性能提高1.3倍，占用空間節(jié)省5倍。

圖9 訓(xùn)練模塊組合成ExaPOD

與強(qiáng)大硬件相匹配的，是特斯拉針對(duì)性開發(fā)的分布式系統(tǒng)——DPU（Dojo Processing Unit）。DPU是一個(gè)可視化交互軟件，可以隨時(shí)根據(jù)要求調(diào)整規(guī)模，高效地處理和計(jì)算，進(jìn)行數(shù)據(jù)建模、存儲(chǔ)分配、優(yōu)化布局、分區(qū)拓展等任務(wù)。

不久后，特斯拉即將開始Dojo超級(jí)計(jì)算機(jī)的首批組裝，并從整個(gè)超級(jí)計(jì)算機(jī)到芯片、系統(tǒng)，進(jìn)行更進(jìn)一步的完善。對(duì)于人工智能技術(shù)，馬斯克顯然還有更遠(yuǎn)大的追求。這種追求，寄托在他開場白中“我們?cè)庥隽艘稽c(diǎn)技術(shù)問題，希望以后可以用AI來解決”的調(diào)侃，更在于活動(dòng)結(jié)尾時(shí)他許下的“我們會(huì)進(jìn)一步在整個(gè)人類世界里暢游”的承諾。