自動駕駛中視覺處理技術(shù)革命

【技術(shù)大院導(dǎo)讀】汽車產(chǎn)業(yè)在芯片廠家的推動下進(jìn)入了算力比拼時代，一場算力競賽已經(jīng)在各大芯片企業(yè)之間悄然興起。殊不知高算力背后是高功耗和低利用率的問題日益突出，算力不可能一直提高。

事件相機(jī)的出現(xiàn)憑借自身極快的響應(yīng)速度、減少無效信息、降低算力和功耗、高動態(tài)范圍等優(yōu)勢對高算力芯片形成致命打擊，它只需要傳統(tǒng)算力芯片1%甚至0.1%的算力就可完美工作，功耗是毫瓦級?？梢詭椭?a class="article-link" target="_blank" href="/tag/%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6/">自動駕駛車輛降低信息處理的復(fù)雜度、提高車輛的行駛安全，并能夠在極亮或者極暗環(huán)境下正常工作。

像素與算力矛盾突出

需要處理的圖像像素過多與芯片算力不足的矛盾，已經(jīng)成為了當(dāng)前制約自動駕駛發(fā)展的瓶頸之一。

當(dāng)今自動駕駛領(lǐng)域所運(yùn)用的視覺識別算法，基本上都基于卷積神經(jīng)網(wǎng)絡(luò)，視覺算法的運(yùn)算本質(zhì)上是一次次的卷積運(yùn)算。這種計算并不復(fù)雜，本質(zhì)上只涉及到加減乘除，也就是一種乘積累加運(yùn)算。但這種簡單運(yùn)算在卷積神經(jīng)網(wǎng)絡(luò)中是大量存在的，這就對處理器的性能提出了很高的要求。

以ResNet-152為例，這是一個152層的卷積神經(jīng)網(wǎng)絡(luò)，它處理一張224*224大小的圖像所需的計算量大約是226億次，如果這個網(wǎng)絡(luò)要處理一個1080P的30幀的攝像頭，他所需要的算力則高達(dá)每秒33萬億次，十分龐大。

以當(dāng)前典型的百度的無人車為例，計算平臺約為800TOPS，其中1TOPS代表處理器可以每秒鐘進(jìn)行一萬億次操作。假設(shè)一個攝像頭所需要的算力為33TOPS，更遑論無人車動輒配置十余個攝像頭，以及多個激光雷達(dá)和毫米波雷達(dá)。

為了準(zhǔn)確檢測行人并預(yù)測其路徑，芯片往往需要多幀處理，至少是10幀，也就是330毫秒。這意味著相關(guān)系統(tǒng)可能需要數(shù)百毫秒才能實現(xiàn)有效探測，而對于一輛以60公里每小時行進(jìn)中的車輛來說，330毫秒的時間就能行駛5.61米。如果為了保證足夠的安全，將幀數(shù)增加到每秒30幀，圖像數(shù)據(jù)很可能讓自動駕駛芯片不堪重負(fù)。

提高算力固然可以暫時解決問題，同時，算力的提高也伴隨著功耗的提高，但在新能源的大背景下，分配給芯片的能量越多，續(xù)航能力就會受到越大的影響。算力與能耗正在逐漸成為自動駕駛發(fā)展的一對矛盾。

實際上自動駕駛領(lǐng)域99%的視覺數(shù)據(jù)在AI處理中是無用的背景。這就好像檢測鬼探頭，變化的區(qū)域是很小一部分，但傳統(tǒng)的視覺處理仍然要處理99%的沒有出現(xiàn)變化的背景區(qū)域，這不僅浪費了大量的算力，也浪費了時間。亦或者像在沙礫里有顆鉆石，AI芯片和傳統(tǒng)相機(jī)需要識別每一顆沙粒，篩選出鉆石，但人類只需要看一眼就能檢測到鉆石，AI芯片和傳統(tǒng)相機(jī)耗費的時間是人類的100倍或1000倍。

對于人類來講，在靜止的畫面中注意到運(yùn)動物體并不難。對于青蛙來說，它甚至只能看到運(yùn)動的物體，對靜止的背景畫面視而不見。

針對生物這一特性，事件相機(jī)的出現(xiàn)，成功解決了自動駕駛中視覺處理的問題。

事件相機(jī)的工作原理

事件相機(jī)（event cameras）是一種生物啟發(fā)的視覺傳感器，以完全不同于標(biāo)準(zhǔn)相機(jī)的方式工作。事件相機(jī)不是以恒定速率輸出強(qiáng)度圖像幀，而是僅輸出局部像素級亮度變化的相關(guān)信息。這些像素級亮度變化（稱為事件）超過設(shè)定閾值時，事件相機(jī)以微秒級分辨率標(biāo)記時間戳，并輸出異步事件流。

事件相機(jī)的靈感來自人眼和動物的視覺，也有人稱之為硅視網(wǎng)膜。生物的視覺只針對有變化的區(qū)域才敏感，比如眼前突然掉下來一個物體，那么人眼會忽視背景，會將注意力集中在這個物體上，事件相機(jī)就是捕捉事件的產(chǎn)生或者說變化的產(chǎn)生。

在傳統(tǒng)的視覺領(lǐng)域，相機(jī)傳回的信息是同步的，所謂同步，就是在某一時刻t，相機(jī)會進(jìn)行曝光，把這一時刻所有的像素填在一個矩陣?yán)锘貍?，一張照片就誕生了。一張照片上所有的像素都對應(yīng)著同一時刻。至于視頻，不過是很多幀的圖片，相鄰圖片間的時間間隔可大可小，這便是我們常說的幀率（frame rate），也稱為時延（time latency）。事件相機(jī)類似于人類的大腦和眼睛，跳過不相關(guān)的背景，直接感知一個場景的核心，創(chuàng)建純事件而非數(shù)據(jù)。

事件相機(jī)的工作機(jī)制是，當(dāng)某個像素所處位置的亮度發(fā)生變化達(dá)到一定閾值時，相機(jī)就會回傳一個上述格式的事件，其中前兩項為事件的像素坐標(biāo)，第三項為事件發(fā)生的時間戳，最后一項取值為極性（polarity）0、1（或者-1、1）,代表亮度是由低到高還是由高到低，也常被稱作Positive or Negative Event，又被稱作On or Off Event。 

我們通過下圖的小球?qū)嶒灴梢愿庇^地發(fā)現(xiàn)：只要小球變化的時刻，就會產(chǎn)生事件流，而小球靜止的時刻，就不會產(chǎn)生事件流。

圖：事件相機(jī)與幀相機(jī)的輸出信號對比

就這樣，在整個相機(jī)視野內(nèi)，只要有一個像素值變化，就會回傳一個事件，這些所有的事件都是異步發(fā)生的（再小的時間間隔也不可能完全同時），所以事件的時間戳均不相同，由于回傳簡單，所以和傳統(tǒng)相機(jī)相比，它具有低時延的特性，可以捕獲很短時間間隔內(nèi)的像素變化，延遲是微秒級的。

事件相機(jī)的優(yōu)勢

相對于傳統(tǒng)相機(jī)，事件相機(jī)還有高幀率、低功耗、高動態(tài)范圍等優(yōu)點：

1）高幀率。實際上，所謂的“幀率”概念，對事件相機(jī)是不存在的。事件相機(jī)每個感光單元都可以異步的形式記錄像素亮度變化，無需等待傳統(tǒng)相機(jī)每秒30次的“曝光”時機(jī)。基于沒有曝光的特點，事件相機(jī)的輸出頻率可以高達(dá)每秒100萬次，遠(yuǎn)遠(yuǎn)超過每秒30次傳統(tǒng)相機(jī)的幀率。
 

2）低時延。事件相機(jī)僅傳輸亮度變化，避免大量冗余數(shù)據(jù)的傳輸，因此能耗僅用于處理變化的像素。大多數(shù)事件相機(jī)的功耗約在 10 mW 級，而有部分相機(jī)原型的功耗甚至小于10 μW，遠(yuǎn)遠(yuǎn)低于傳統(tǒng)基于幀的相機(jī)。
 

3）高動態(tài)范圍。事件相機(jī)的動態(tài)范圍高達(dá)140 dB，遠(yuǎn)遠(yuǎn)優(yōu)于 60 dB 的幀相機(jī)。既能在光照條件良好的白天工作，也能在光線較暗的夜晚采集視場中的動態(tài)信息。這是由于事件相機(jī)每個像素的光感受器以對數(shù)方式獨立工作，而非全局快門工作模式。因此，事件相機(jī)具有與生物視網(wǎng)膜相似的特性，其像素可以適應(yīng)非常暗和非常亮的感光刺激。

在拍攝高速物體時傳統(tǒng)相機(jī)會發(fā)生模糊（由于會有一段曝光時間），而事件相機(jī)幾乎不會。再就是真正的高動態(tài)范圍，由于事件相機(jī)的特質(zhì)，在光強(qiáng)較強(qiáng)或較弱的環(huán)境下（高曝光和低曝光），傳統(tǒng)相機(jī)均會“失明”，但像素變化仍然存在，所以事件相機(jī)仍能看清眼前的東西。

傳統(tǒng)相機(jī)的動態(tài)范圍是無法做寬的，因為放大器會有線性范圍，照顧了低照度就無法適應(yīng)強(qiáng)光，反過來適應(yīng)了強(qiáng)光就無法顧及低照度。事件相機(jī)在目標(biāo)追蹤、動作識別等領(lǐng)域具備壓倒性優(yōu)勢，尤其適合自動駕駛領(lǐng)域。

空中一個球的軌跡，

扔一個球，看看兩種相機(jī)的軌跡記錄：

事件相機(jī)的出現(xiàn)對高算力AI芯片是致命打擊，它只需要傳統(tǒng)高算力AI芯片1%甚至0.1%的算力就可完美工作，功耗是毫瓦級。事件相機(jī)基于流水線時間戳方式處理數(shù)據(jù)，而不是一幀幀地平面處理各個像素。傳統(tǒng)卷積算法可能無用，AI芯片最擅長的乘積累加運(yùn)算可能沒有用武之地。為了準(zhǔn)確檢測行人并預(yù)測其路徑，需要多幀處理，至少是10幀，也就是330毫秒。這意味著相關(guān)系統(tǒng)可能需要數(shù)百毫秒才能實現(xiàn)有效探測，而對于一輛以60公里每小時行進(jìn)中的車輛來說，330毫秒的時間就能行駛5.61米，而事件相機(jī)理論上不超過1毫秒。

事件相機(jī)的產(chǎn)品分類

當(dāng)前，市場上主流的事件相機(jī)產(chǎn)品主要為三類：DVS、ATIS以及DAVIS，它們都采用了差分型視覺采樣模型。此外，也有一些其它類型的事件相機(jī),比如CeleX、Vidar，但從商業(yè)化的進(jìn)度來看，上述三類事件相機(jī)的商業(yè)化發(fā)展較快。

事件相機(jī)產(chǎn)業(yè)鏈的情況與傳統(tǒng)幀相機(jī)幾乎是相同的，主要包括上游是零部件供應(yīng)商（鏡頭組零部件、膠合材料、圖像傳感器芯片等）、中游是模組供應(yīng)商與系統(tǒng)集成商等、下游是主機(jī)廠。

產(chǎn)業(yè)鏈中的不同之處主要是在圖像傳感器芯片、算法軟件，比如更適合事件相機(jī)的芯片是類腦芯片、更適合的算法則是脈沖神經(jīng)網(wǎng)絡(luò)。

第三代神經(jīng)網(wǎng)絡(luò)助力大規(guī)模應(yīng)用

事件相機(jī)目前之所以沒有大規(guī)模應(yīng)用在自動駕駛領(lǐng)域，歸根結(jié)底受限于神經(jīng)網(wǎng)絡(luò)算法。

實際上，相機(jī)獲取信息僅僅是第一步，后續(xù)事件相機(jī)信息的處理則是更為關(guān)鍵的一環(huán)。

如下圖所示，傳統(tǒng)相機(jī)的輸出是一幀幀的靜止圖片，而事件相機(jī)則是一個個事件（Event）流。

一般來說，目前的神經(jīng)網(wǎng)絡(luò)都專注于如何提取每幀靜止圖片中的行人、汽車等目標(biāo)，如YOLO，resnet等算法。針對基于時間戳的事件流，目前尚無有效的算法進(jìn)行目標(biāo)識別。而事件流處理算法的缺失，與當(dāng)前的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是分不開的。

當(dāng)前主流的神經(jīng)網(wǎng)絡(luò)被稱為第二代人工神經(jīng)網(wǎng)絡(luò)，以精確的浮點運(yùn)算為基礎(chǔ)，缺失了在自然界中最重要的一個因素：時間。對于神經(jīng)網(wǎng)絡(luò)而言，輸出的結(jié)果會和輸入一一對應(yīng)，任何時候輸入相同的圖片，神經(jīng)網(wǎng)絡(luò)都會輸出一樣的結(jié)果。

然而真實的大腦，是以這種浮點運(yùn)算為基礎(chǔ)的嗎？顯然不是，真實的大腦是以脈沖為基礎(chǔ)的，以脈沖傳遞和處理信息。

這種以脈沖傳遞為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)是脈沖神經(jīng)網(wǎng)絡(luò)（spiking neural network，SNN），被譽(yù)為第三代人工神經(jīng)網(wǎng)絡(luò)?；诿}沖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的芯片也被稱為類腦芯片。脈沖發(fā)生的時刻攜帶著重要信息，脈沖神經(jīng)網(wǎng)絡(luò)天然具備對時序信息處理的能力，這與事件相機(jī)基于時間戳的事件流輸出十分吻合。

此外，脈沖神經(jīng)網(wǎng)絡(luò)還具有事件驅(qū)動、異步運(yùn)算、極低功耗等特性。

1）事件驅(qū)動。在我們的大腦中，同一時刻大約有90%以上的神經(jīng)元都是沉默的。也就是說，當(dāng)沒有事件輸入的時候神經(jīng)元是不活動的。這與事件相機(jī)的事件流輸出十分契合，同時功耗也極大降低。

2）異步運(yùn)算。脈沖神經(jīng)網(wǎng)絡(luò)不存在“主頻”的概念。傳統(tǒng)的計算機(jī)都需要一個時鐘，以確保所有的操作都在時間步上進(jìn)行，這個時鐘的頻率被稱為主頻。目前主流的計算機(jī)主頻都達(dá)到每秒1GHz以上。然而，以IBM的神經(jīng)態(tài)硬件TrueNorth為例，100Hz左右的脈沖發(fā)放率即可完成圖像識別、目標(biāo)檢測等任務(wù)。當(dāng)前通用的計算機(jī)基本是馮·諾依曼結(jié)構(gòu)，這種結(jié)構(gòu)下，隨著CPU的運(yùn)算速度遠(yuǎn)遠(yuǎn)超過內(nèi)存的存取速度，已然形成難以逾越的計算瓶頸。然而，脈沖神經(jīng)網(wǎng)絡(luò)所有的內(nèi)存和運(yùn)算都體現(xiàn)在神經(jīng)元的異步脈沖之中，有很大希望突破目前計算機(jī)運(yùn)算能力瓶頸。

3）極低功耗。在2016年著名的人機(jī)圍棋大戰(zhàn)中，Google公司的AlphaGo系統(tǒng)每局圍棋博弈的平均耗電費用高達(dá)3000美元。而作為脈沖神經(jīng)網(wǎng)絡(luò)架構(gòu)的人腦，功率僅僅為20W左右。此前，有學(xué)者將目標(biāo)檢測中的經(jīng)典算法YOLO進(jìn)行脈沖化，在完成相同任務(wù)的情況下，功耗降低了280倍左右，同時速度提高了2.3到4倍。

總的來說，事件相機(jī)和脈沖神經(jīng)網(wǎng)絡(luò)的結(jié)合，正如人類用眼睛和大腦觀察四周：自動忽略周圍靜止的事物，對突然出現(xiàn)的運(yùn)動物體予以重點關(guān)注和運(yùn)算。

寫在最后

匹茲堡大學(xué)眼科教授、CMU機(jī)器人研究所兼職教授Ryad Benosman作為基于事件的視覺技術(shù)的奠基人之一，他認(rèn)為：預(yù)計神經(jīng)形態(tài)視覺（基于事件相機(jī)的計算機(jī)視覺）是計算機(jī)視覺的下一個方向。

基于圖像相機(jī)的計算機(jī)視覺技術(shù)是非常低效的。Benosman將其比作中世紀(jì)城堡的防御系統(tǒng)：駐守在城墻周圍的士兵從各個方向注視著接近的敵人。鼓手打著穩(wěn)定的節(jié)拍，每敲一下，每個守衛(wèi)就會大聲喊出他們所看到的東西。在所有的呼喊聲中，聽到一個守衛(wèi)在遠(yuǎn)處森林邊緣發(fā)現(xiàn)敵人發(fā)出的聲音會有多容易？

21世紀(jì)相當(dāng)于鼓點的硬件是電子時鐘信號，而衛(wèi)兵是像素，每一個時鐘周期都會產(chǎn)生一大批數(shù)據(jù)并必須進(jìn)行檢查，這意味著有大量的冗余信息和大量不必要的計算需要。

進(jìn)入神經(jīng)形態(tài)視覺。其基本理念是受生物系統(tǒng)工作方式的啟發(fā)，檢測場景動態(tài)的變化，而不是連續(xù)分析整個場景。在城堡比喻中，這將意味著讓守衛(wèi)保持安靜，直到他們看到感興趣的東西，然后喊出他們的位置，發(fā)出警報。在電子版本中，這意味著讓單個像素決定它們是否看到了相關(guān)的東西。

Benosman教授說：像素可以自己決定他們應(yīng)該發(fā)送什么信息，而不是獲取系統(tǒng)信息，他們可以尋找有意義的信息，即特征。這就是與眾不同之處。與固定頻率的系統(tǒng)采集相比，這種基于事件的方法可以節(jié)省大量的功耗，并減少延遲。

現(xiàn)在的AI本質(zhì)上還是一種蠻力計算，依靠海量數(shù)據(jù)和海量算力，對數(shù)據(jù)集和算力的需求不斷增加，這顯然離初衷越來越遠(yuǎn)，文明的每一次進(jìn)步都帶來效率的極大提高，唯有效率的提高才是進(jìn)步，而依賴海量數(shù)據(jù)和海量算力的AI效率越來越低。
 

當(dāng)前學(xué)術(shù)界已經(jīng)掀起了對脈沖神經(jīng)網(wǎng)絡(luò)研究的熱潮，隨著人們對大腦認(rèn)識的深入，以及國外的TrueNorth、SpiNNaker、Loihi和國內(nèi)清華的天機(jī)芯（Tianjic）和浙大的達(dá)爾文等類腦芯片的研發(fā)。

筆者堅信：事件相機(jī)與脈沖神經(jīng)網(wǎng)絡(luò)的完美結(jié)合在目標(biāo)追蹤、動作識別等領(lǐng)域具備壓倒性優(yōu)勢，給自動駕駛行業(yè)帶來新的突破。