人工智能 (AI) 和機器學(xué)習 (ML) – 傳統汽車(chē)控制領(lǐng)域如何受到影響

引言

實(shí)際上，“人工智能（AI）”并沒(méi)有明確的科學(xué)定義，但是一種普遍的理解是將AI 被人類(lèi)觀(guān)察到的學(xué)習系統作為“智能”。很難更加明確的描述其定義，因為“智能”一詞已經(jīng)缺乏明確的合理性。

在汽車(chē)領(lǐng)域，在當今和未來(lái)具有代表性且廣為人知的AI相關(guān)功能應用在自動(dòng)駕駛（AD）領(lǐng)域。這包含了物體感知、物體識別以及對結果反應的決策。這些應用通常需要很高的計算能力（100k DMIPS級別范圍內）。

圖像

圖 1 說(shuō)明更高級別的感知將如何隨著(zhù)時(shí)間的推移從人類(lèi)駕駛員轉向使用人工智能（AI）和機器學(xué)習（ML）的自動(dòng)駕駛技術(shù)。（來(lái)源：NSITEXE, Inc.，2021）

較低的應用層與傳統的實(shí)時(shí)執行器控制有關(guān)，如推進(jìn)、轉向和制動(dòng)等“車(chē)輛運動(dòng)”，乍一看可能不是從人工智能和機器學(xué)習這種新興技術(shù)中獲益的主要目標，但是由于持續的成本壓力，在現如今并且很可能在未來(lái)，它將繼續通過(guò)常規微控制器以有限的嵌入式性能（高達 10k DMIPS）來(lái)實(shí)現。

然而，事實(shí)恰恰相反！

尤其是“車(chē)輛運動(dòng)”類(lèi)別的實(shí)時(shí)執行器控制應用受到各種新要求（例如 歐7 法規）的挑戰，這些要求導致算法復雜性增加并產(chǎn)生對更高性能水平和更大通信帶寬的需求。 所有這一切都將在沒(méi)有提到成本增加的前提下成為可能，這在汽車(chē)控制應用中非常典型。

那么，如何在傳統的成本平衡MCU系統上實(shí)現人工智能和機器學(xué)習功能更高的性能要求呢？ 答案在于特定的硬件加速器，它們可以作為協(xié)同處理器嵌入在 MCU 硅基中實(shí)現。

帶有嵌入式硬件加速器的 RH850/U2B 微控制器

瑞薩電子用于其下一代 28nm 微控制器 RH850/U2B FCC 的硬件加速器概念是：“DFP” 數據流處理器 IP （Data flow processor），又名“DR1000C”，已獲得日本 NSITEXE, Inc. 的許可。 NSITEXE 是一家 IP 供應商，成立于 2017 年，是從 DENSO 公司獨立出來(lái)，專(zhuān)門(mén)從事高級處理器的開(kāi)發(fā)。

RH850/U2B FCC 微控制器針對車(chē)輛運動(dòng)和區域控制的應用領(lǐng)域，通過(guò)虛擬化支持和服務(wù)質(zhì)量 (QoS) 實(shí)現 400 MHz x 8的性能，解決了將多個(gè)應用程序集成到一個(gè)設備中同時(shí)不受干擾（FFI: freedom from interference）的挑戰以滿(mǎn)足 ISO26262 ASIL-D 標準。

圖 2：DFP - 概念視圖（來(lái)源：NSITEXE, Inc.，2021）

DR1000C 是一款基于 RISC-V 的專(zhuān)用并行協(xié)處理器，針對多線(xiàn)程機制和矢量指令進(jìn)行了優(yōu)化設計，可從主 CPU 卸載密集計算任務(wù)，從而加速高級控制算法。

從概念上講，DR1000C 是一種多指令多數據 (MIMD) 高性能 ASIL-D 矢量處理器，可實(shí)現數據級和任務(wù)級并行。 矢量執行單元與多線(xiàn)程架構的結合實(shí)現了高度靈活性，從而加速通常用于人工智能和機器學(xué)習功能的各種算法類(lèi)型。 有關(guān)更多詳細信息，請參閱下面的“用例”部分。

圖 3：DR1000C 架構（來(lái)源：NSITEXE, Inc.，2021）DR1000C 性能

與傳統汽車(chē) CPU（即Harvard架構）相比，DR1000C IP 的特定并行 MIMD 架構帶來(lái)了數量級的性能優(yōu)勢。 特定的數學(xué)函數，如高斯過(guò)程（徑向基函數）、卡爾曼濾波器或 BLAS 在與 DR1000C 一起執行時(shí)非常受益。

圖 4：DR1000C 性能水平（來(lái)源：NSITEXE, Inc.，2021）實(shí)例

在可以受益于 DR1000C的人工智能或機器學(xué)習的汽車(chē)環(huán)境中有多個(gè)實(shí)例。 以下是前面提到的“車(chē)輛運動(dòng)”部分中的幾個(gè)應用示例。

虛擬傳感器：這是一個(gè)通過(guò)虛擬處理實(shí)時(shí)模型來(lái)模擬相關(guān)現實(shí)世界系統的物理過(guò)程，從而取代物理硬件傳感器的概念。 這里的簡(jiǎn)單動(dòng)機是降低系統成本。 底層建模方法通常使用徑向基函數網(wǎng)絡(luò )，可以將其解釋為人工神經(jīng)網(wǎng)絡(luò )。 徑向基函數有很多用例，包括函數逼近、時(shí)間序列預測和系統控制。

圖 5：虛擬建模（來(lái)源：NSITEXE, Inc.，2021）

模型預測控制 (MPC) 是一種控制功率轉換器或電動(dòng)機驅動(dòng)器的方法學(xué)。 它通過(guò)動(dòng)態(tài)預測和優(yōu)化系統參數，并結合系統約束，提供處理多種控制任務(wù)的能力。 特別是非線(xiàn)性 MPC 模型可能會(huì )以訓練數據集（基于人工神經(jīng)網(wǎng)絡(luò )）的形式反映出來(lái)。

圖 6：模型預測控制（來(lái)源：NSITEXE, Inc.，2021）

網(wǎng)關(guān)入侵檢測系統（IDS）
IDS 系統通常應該通過(guò)將“正?！被顒?dòng)與入侵者的行為進(jìn)行比較來(lái)識別網(wǎng)絡(luò )攻擊。 今天，大多數基于規則的系統用于識別已知的攻擊類(lèi)型，然而，如果攻擊使用不同的或迄今為止未知的方法，則不太成功。

在這里，機器學(xué)習提供了一種擴展的可能性，可以根據流量模式（包括帶寬、設備、端口和協(xié)議）對網(wǎng)絡(luò )活動(dòng)進(jìn)行分類(lèi)。 通過(guò)將“健康”流量的訓練（機器學(xué)習的）模式與實(shí)際網(wǎng)絡(luò )通信進(jìn)行比較，可以實(shí)現對新演變的威脅類(lèi)型的檢測。 這是靜態(tài)的基于規則的系統無(wú)法做到的。

圖 7：入侵檢測系統概念（來(lái)源：NSITEXE, Inc. 2021）DR1000C工具環(huán)境

應用程序開(kāi)發(fā)可以通過(guò) C 編碼實(shí)現，其中用戶(hù)應用程序用 C 語(yǔ)言編寫(xiě)，結合內部函數調用 DR1000C 服務(wù)。 或者，可以使用 MATLAB/Simulink 的“DFP 工具箱”進(jìn)行基于模型的開(kāi)發(fā)。 一個(gè)“SDK”將包括一個(gè)運行時(shí)線(xiàn)程調度器 (RTS)、一個(gè)基于 GNU 的工具鏈、模擬器和調試器。 另外可選擇地，在支持 ASIL-D 的診斷庫以及 ISO26262 工具認證方面的功能安全正在開(kāi)發(fā)中。

結論

在不久的將來(lái)，基于成本平衡的汽車(chē) MCU 系統必須能夠涵蓋廣泛的算法，尤其是機器學(xué)習 (ML) 和嵌入式人工智能 (AI)、控制理論、信號處理和物理建模。

瑞薩電子將通過(guò)顯現出靈活硬件加速器概念的“DR1000C”來(lái)豐富下一代微控制器，該概念針對汽車(chē)實(shí)例進(jìn)行了優(yōu)化，可以通過(guò)小數因子提高傳統 MCU 的實(shí)時(shí)性能，同時(shí)將各自的成本和功耗保持在可承受的水平 。