虞正华：魔视智能CEO
虞正华：各位朋友、各位专家早上好，我是魔视智能的虞正华。非常高兴和大家交流魔视智能在基于嵌入式深度学习的智能驾驶方面的思考和实践。
魔视智能2015年成立，公司总部在上海，在澳洲建立了全资的人工智能研究院。核心团队成员是一些AI和汽车电子背景的国际顶尖的专家。
作为一名驾驶者，在中国任何一个城市，每天会面临各种各样的风险，可能会在路口碰到骑车人突然切入、追尾等情况，这都是中国实际路况。智能驾驶要能够很好地处理这些问题。
China-IOT对危险路况、危险类型做了一个区分，包括车与车的危险、行人的危险、路口的危险、动物的危险等。按照欧洲标准，现在的FCW/AEB包含的功能，只关注了其中46%的危险，还有更多的危险情况，在目前的标准体系和产品中还没有得到有效覆盖。
我们面对的是各种各样的目标类型，包括行人、车辆、车辆装载物等，面临的目标角度可能是任意的角度，不止是正面，有可能是侧面、背面。这对智能驾驶系统的感知系统提出了很大挑战。今天行业的共识是要从视觉感知角度处理好这些问题，须采用深度学习的技术路线。深度学习在很多领域取得成功的应用。从全球来说，用的最广泛的是在识别领域，包括图像识别、语音识别等。深度学习能够有效地处理目标的多样性、目标角度的多样性、目标类型的多样性，超越了传统的计算机视觉和传统的模式识别方法。
深度学习在智能驾驶系统里面有很多应用，这里列举一些已经被证明能够成功应用的领域：第一个应用是目标检测，要检测出路上的人和车等各种目标；第二个应用是目标识别，很典型的例子是交通标识识别，要识别其中的文字；第三个应用是语义分割，对图像及视频里每一个像素点的标注能够区分语义类型；最后一个应用非常重要，就是测距，如何通过用深度学习的方法准确测试目标距离。
深度学习的运算需要承载在计算平台之上。计算平台的选择关乎系统的优劣，面临诸多挑战。如果目标是近期内量产的产品，譬如说在两年之内量产，那么有几个问题需要解决。第一，遵循汽车流程和体系来开发，这是底线，智能驾驶从L1开始就跟控制有关，就是安全的问题；第二，需要高性能的计算平台；第三，需要高准确率的嵌入式深度学习算法支撑。第四，需要有海量数据来支持，因为大家都知道深度学习对数据有很强依赖性。
深度学习计算平台的选择需要需要平衡很多因素。一、需要考虑成本，因为要做能够量产的产品，而不是说只是做科研课题；二、需要考虑功耗，功耗很多时候会对系统有约束；三、需要很高计算能力，因为深度学习算法对于计算力要求比较高，四、同时也需要满足汽车安全的要求，比如需要达到相应的ASIL等级；五、可编程性，人工智能确实解决了很多问题，但同时它的发展日新月异，三个月算法就会迭代一次的进步。
今天我们选择的计算平台，如果没有足够的可编程性，不能兼容算法的演进和迭代，那今天做的产品可能六个月之后就过时了。从产品落地的角度，人工智能处在飞速发展的时代，保持高效的可编程性，是非常重要的选择因素。
魔视智能自2015年开始进行嵌入式深度学习的产品研发，基于FPGA的计算平台，以量产为目标，能够满足低成本、高性能、低功耗、可编程性，符合功能安全规范。在这个平台上设计了的优化的深度学习引擎，在一个很低成本的计算平台上，实现了超过100层的深度学习网络。这个计算平台的计算效能，与常规的实现方法相比，有了2.8倍的提升。
深度学习对算法的性能有很高要求，我们在这方面也做了很多扎实的工作。算法好不好最终还是需要一些客观评价体系。魔视智能的深度学习算法在国际评测中多项排名全球第一。算法是基础，数据采集是重点。我们花了两年多的时间在全国30个省采集相应的数据，目前已经有超过500万公里的测试数据，采集的工况很庞杂，多种复杂路况，各种各样的车辆，包括白天和晚上不同的工况，雨天、雪天、雾天等等。这些数据对于我们实现产品量产也是非常重要的支撑。
基于嵌入式深度学习的产品开发，到目前为止我们已经花了接近三年的时间，踏过了很多沟沟坎坎，2015年、2016年推出第一代基于嵌入式深度学习的ADAS产品。2017年出了更新的第二代，同时还完成了一体机开发，一体机就是可以进入量产体系的产品。这套产品是国内第一套基于嵌入式深度学习的ADAS前装量产产品，已经开始在国内的一线OEM前装量产，主要功能包括若干个报警功能如LDW、FCW、PCW，同时也可以拓展支持AEB、ACC等功能。
对于未来的发展，魔视智能会持续支持智能驾驶产品的量产。所以从第一代的报警功能到AEB功能，到L3，多路摄像头和多传感器融合的方案。我们自己定位非常清晰，只做感知层面，其他层面会广泛地与业内合作伙伴协作。 我今天讲的就到这，谢谢大家！
来源：佐思汽车研究
