2021年02月18日 | Recogni:将高端AI芯片推向自动驾驶边缘

加州初创公司Recogni成立已有三年，Recogni主要开发基于人工智能的视觉处理器。他们正吸引越来越多的风险投资家、一级汽车厂商和OEM的关注。近日，Recogni宣布已获得4890万美元B轮融资。

推理引擎激活图像传感器性能

Recogni全新AI处理器是一个推理引擎，针对的是下一代驾驶员辅助和自动驾驶汽车“边缘”的推理引擎。这家初创公司的目标是提供一种基于人工智能的视觉处理器，以极低的功耗提供高性能算力。

自动驾驶Recogni公司：L2级车辆变革者

Recogni公司创立于2017年，其总部位于美国加州，在德国慕尼黑设有分支机构。该公司旨在帮助汽车制造商实现L2级以上的汽车自动驾驶，技术定位为“L2级自动驾驶车辆的感知处理的变革者”。Recogni采用Vision Cognition处理器，旨在解决端点干扰问题，提升自动驾驶系统的效率，并改变L3、L4、L5级自动驾驶车辆的技术轨迹。

其实，在这个圈子里，Recogni不算入行早的。

为了增强SoC中央计算能力，Recogni希望汽车制造商将他们的算力达到1000TOPS的处理器放在汽车边缘处，也就是要临近CMOS图像传感器。

据Recogni介绍，他们的芯片与感知传感器紧密结合后，将以高帧率、高分辨率实时处理视觉数据。

考虑到自动驾驶平台必须支持多种工作负载，SoC的原始处理速度TOPS不一定是最有用的衡量标准。然而，Recogni的建议是在每台相机上安装1000 TOPS级别的处理器，用于处理视觉数据，这与它的竞争对手的方法有很大不同。例如，英伟达正在推广其Orin SoC，该SoC已达到200TOPS，以处理自动驾驶汽车中同时运行的众多应用和深度神经网络。

Recogni宣称其感知处理器是“唯一一种专为物体识别而设计的多眼相机系统架构，能够在像素级上提取被动立体深度。”

Recogni介绍，它的处理器“通过将对象库的权值(参数)存储在芯片上，从而实现了更高的处理效率和速度，在芯片上执行计算分析。”

Recogni表示，其模块“以每秒60帧的速度处理超过800万像素的图像，能够识别(检测、分割和分类)物体，将深度传感器信息融合到物体中，并在几毫秒内为中央系统提供智能信息。”

资深汽车行业分析师Egil Juliussen表示：“将处理器与传感器靠近意义非凡。它可大大减少需要传输的数据，打开了从传感器到中央计算机的路径。从Recogni声明来看， Recogni的感知处理器似乎有一个片上存储器。“这是人工智能处理的一大优势”。

Recogni创始人兼首席执行官R K Anand拒绝透露处理器架构细节。不过，他也解释了他的团队所认为的汽车制造商在开发ADAS和自动驾驶汽车时面临的“难题”。在他看来，问题在于“以高帧率、高分辨率来处理边缘视觉数据”。这在全自动驾驶汽车中变得尤其困难，因为它必须实时进行。

VSI Labs的创始人兼总裁Phil Magney表示:“我们现在看到了许多旨在改善ADAS和自动驾驶应用的ML视觉流水线的创新。这适用于训练和推理模型。”

Magney表示，尽管神经网络指令在能源效率和计算功率密度方面得到了更好的优化，“行业正在寻求对整个流水线的改进，并试图找到在能量效率和计算能力密度方面更好的优化办法。“考虑到它们必须处理大量的数据流，同时识别出需要保存、下采样和存储的重要数据以供进一步的网络训练，“其中一些数据被推到边缘，常驻的模型可以决定哪些数据应该保留，哪些数据应该流向下游，这一点也不奇怪。”

为什么要使用一个百万像素的传感器?

特斯拉Model 3的拆解显示，它的三前向相机是三个ON Semi AR0136A - 3.75µm像素的CMOS图像传感器，分辨率在1280×960(120万像素)。特斯拉Model 3驾驶员辅助自动驾驶控制模块单元(或TM3DAACMU)提供250米的前置图像捕捉。

为什么特斯拉要带着100万像素的传感器到处跑? Anand表示:“这对我们来说毫无意义，因为我们口袋里的这些手机的摄像头就有1000或1200万像素的传感器。”

Anand表示，汽车制造商正在使用100万像素的传感器，不是因为它们成本更低，而是因为它们的汽车没有足够的处理能力。即使一些汽车制造商声称拥有200万、400万甚至800万像素的传感器，但他们的汽车也只是从新传感器中提取样本信息。

当被问及下采样是否普遍时，VSI实验室的Magney表示，“确实，而且已经持续了一段时间。新的GPU可以处理这个问题，但同样，这些GPU并没有针对嵌入式系统进行优化。”

换句话说，传感器的成本并没有阻止汽车制造商使用高端图像传感器。“问题在于计算成本、计算量和算力。“如果这三个问题没有解决方案，升级到更高端的传感器就没有意义，”因为你无法处理它。Anand称这是识别力领域的“珠穆朗玛峰”。

分辨率越高，推理效果越好

Anand说，推理与信息负荷直接相关。“所以，当机器接受了更多的信息训练，你正确推断它的可能性就越大。”

想象一下200米外的行人，一个停车标志，或者一个足球从路边弹回——这些都是重要的事情。 “如果你不尽早抓住它们，自动驾驶汽车就没有时间停下来，因为停车纯粹是物理问题。然而分辨率越高，帧率越高，推理效果就越好。但这也意味着对计算机的需求将会越高。”

难道英伟达的SoC不能胜任这项工作吗?

Anand表示:“英伟达在过去10到15年里做出了惊人的创新。他们在芯片和软件的开发方面都做得很出色。但他们告诉客户在汽车上使用的芯片，是为批量处理信息而设计的。”

在他看来，批处理在自动驾驶汽车上是行不通的，因为汽车需要实时操作。英伟达的架构、方法和软件都是其障碍所在。换句话说，“英伟达不具备我们作为初创公司所拥有的那种奢侈——我们可以从头开始考虑这个问题。”

那么Mobileye呢?

“Mobileye略有不同，Mobileye是一家计算机视觉公司。他们在EyeQ4, EyeQ5和EyeQ6上采用的方法是处理器思维。所以，他们用了更多的处理器引擎来做人工智能的工作。Mobileye是一家由“试图成为人工智能专家的传统计算机视觉专家”组成的公司。

人工智能网络的进步

Magney认为，由于ML方法的进步和视觉管道的优化，视觉处理一直在改善。然而，他表示：“你在开发系统上所能做的与系列产品是相距甚远的。汽车制造商想要“能够运行这些数据密集型ML应用程序的超级高效的计算平台”。

Magney解释，在这种背景下，“汽车制造商正在将一些处理方法推向边缘”，而不是选择“原始数据方法”。既然自动驾驶堆栈可能有几十个神经网络，汽车制造商就会想，“为什么不把这些网络推到专用处理器上，这样就可以减少域控制器的负载呢?”

然而，类似于Recogni的解决方案——一种与传感器紧密结合的专有处理器和软件将如何被Waymo、Argo、Cruise等自动驾驶先锋接受还是个未知数。Juliussen想知道对于那些自动驾驶的先驱们来说，用Recogni的芯片取代他们现有的解决方案是否容易。Magney：“其实，时间会证明这一点。“

虽然Recogni正在推动其用于全自动驾驶汽车的新芯片，Magney有些担心：“我认为对于ADAS应用来说，使用这些紧密耦合的架构会有更好的机会。对于L3-L5来说，你需要一个通用的计算架构，而整车厂在这一点上正在发挥更大的作用。”

Magney:“大型芯片公司并没有放慢脚步。他们正在构建自己的产品组合，希望能够扩展到神经网络加速器和边缘处理。”

大约一年前，Recogni的联合创始人Ashwini Choudhary表示，Recogni正在开发的芯片将提供1000TOPS /10瓦性能。Anand证实，这仍然是目标，但拒绝透露其性能规格。该芯片将由台湾半导体制造公司制造，采用7nm制程技术，它已“接近成型”。