h1_key

  實際上，“人工智能(AI)”并沒有明確的科學定義，但是有一種普遍的理解是將AI詮釋為被人類視為“智能”的學習系統(tǒng)。此外，就很難更明確地描述它的定義，因為“智能”一詞缺乏明確的理論解釋。

  在汽車應用領域，當今和未來具有代表性且最廣為人知的人工智能相關功能應用包括自動駕駛(AD)應用，以及物體傳感、物體識別和對結果反應的決策。這些功能通常需要很高的計算能力(100k DMIPS級別范圍內)。

  圖1說明了隨著時間的推移，更高水平的傳感將如何從人類駕駛員轉向使用人工智能(AI)和機器學習(ML)的自動駕駛技術。(來源：NSITEXE，Inc.，2021)

  較低的應用層與傳統(tǒng)的實時執(zhí)行器控制有關，如推進、轉向和制動等“車輛運動”，乍一看可能不是從人工智能和機器學習這種新興技術中獲益的主要目標，但是由于持續(xù)的成本壓力，在現(xiàn)如今，并且很可能在未來，它將繼續(xù)通過常規(guī)微控制器以有限的嵌入式性能(高達10k DMIPs)來實現(xiàn)。

  然而，事實恰恰相反!尤其是“車輛運動”類別的實時執(zhí)行器控制應用受到各種新要求(例如歐7法規(guī))的挑戰(zhàn)，這些要求導致算法的復雜性增加，并產(chǎn)生了對更高的性能水平與更大的通信帶寬的需求。所有這一切都將在沒有提到成本增加的前提下成為可能，這在汽車控制應用中非常典型的。

  那么，如何在傳統(tǒng)的成本平衡MCU系統(tǒng)上實現(xiàn)對人工智能和機器學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芯片中實現(xiàn)。

  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(shù)據(jù)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，專門從事高級處理器的開發(fā)。

  RH850/U2B FCC微控制器針對車輛運動和區(qū)域控制的應用領域，實現(xiàn)了多達8個以400MHz運行的性能內核，每個內核都具有可視化支持和服務質量(QoS)，解決了將多個應用程序集成到一件設備中，同時不被干擾的難題，以滿足ISO26262 ASIL-D標準。

  圖2：DFP-概念視圖(來源：NSITEXE，Inc.，2021)

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

  從概念上講，DR1000C是一種多指令多數(shù)據(jù)(MIMD)高性能ASIL-D矢量處理器，可實現(xiàn)數(shù)據(jù)級和任務級并行。矢量執(zhí)行單元與多線程架構的結合實現(xiàn)了高度靈活性，從而加速通常用于人工智能和機器學習功能的各種算法類型。有關更多詳細信息，請參閱下面的“案例”部分。

  圖3：DR1000C架構(來源：NSITEXE，Inc.，2021)

  DR1000C性能

  與傳統(tǒng)汽車CPU(即Harvard架構)相比，DR1000C IP的特定并行MIMD架構帶來了量級的性能優(yōu)勢。特定的數(shù)學函數(shù)，如高斯過程(徑向基函數(shù))、卡爾曼濾波器或BLAS在與DR1000C一起執(zhí)行時會大大受益。

  圖4：DR1000C性能水平(來源：NSITEXE，Inc.，2021)

  案例

  在可以受益于DR1000C的人工智能或機器學習的汽車環(huán)境中有多個實例。以下是前面提到的“車輛運動”部分中的幾個應用示例。

    虛擬傳感器

  這是一個通過虛擬處理實時模型來模擬相關現(xiàn)實世界系統(tǒng)的物理過程，從而取代物理硬件傳感器的概念。這里的簡單動機是降低系統(tǒng)成本。底層建模方法通常使用徑向基函數(shù)網(wǎng)絡，可以將其解釋為人工神經(jīng)網(wǎng)絡。徑向基函數(shù)有很多用例，包括函數(shù)逼近、時間序列預測和系統(tǒng)控制。

  圖5：虛擬建模(來源：NSITEXE，Inc.，2021)

  模型預測控制(MPC)

  是一種控制功率轉換器或電動機驅動器的方法學。它通過動態(tài)預測和優(yōu)化系統(tǒng)參數(shù)，并結合系統(tǒng)約束，提供處理多種控制任務的能力。特別是非線性MPC模型可能會以訓練數(shù)據(jù)集(基于人工神經(jīng)網(wǎng)絡)的形式反映出來。

  圖6：模型預測控制(來源：NSITEXE, Inc.，2021)

    網(wǎng)關入侵檢測系統(tǒng)(IDS)

  IDS系統(tǒng)通常是通過將“常規(guī)”行為與入侵者的行為進行對比來識別網(wǎng)絡攻擊。今天，大多數(shù)基于規(guī)則的系統(tǒng)已經(jīng)適用于識別已知的攻擊類型，然而，如果入侵者使用了不同的或迄今為止未知的攻擊方法，則不太成功。

  在這里，機器學習提供了一種擴展的可能性，可以根據(jù)流量模式(包括帶寬、設備、端口和協(xié)議)對網(wǎng)絡活動進行分類。通過將“健康”流量的訓練(機器學習的)模式與實際網(wǎng)絡通信進行比較，可以實現(xiàn)對新演變的威脅類型的檢測。這是靜態(tài)的、基于規(guī)則的系統(tǒng)無法做到的。

  圖7：入侵檢測系統(tǒng)概念(來源：NSITEXE，Inc. 2021)

  DR1000C工具環(huán)境

  應用程序開發(fā)可以通過C編碼實現(xiàn)，其中用戶應用程序用C語言編寫，結合內部函數(shù)調用DR1000C服務?；蛘呤褂肕ATLAB/Simulink的“DFP工具箱”進行基于模型的開發(fā)。一個“SDK”將包括一個運行時線程調度器(RTS)、一個基于GNU的工具鏈、一個模擬器和一個調試器。另外還可以選擇在支持ASIL-D的診斷庫以及ISO26262工具認證方面的功能安全正在開發(fā)中。

  結論

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

  瑞薩電子將通過顯現(xiàn)出靈活硬件加速器概念“DR1000C”來豐富下一代微控制器，該概念針對汽車實例進行了優(yōu)化調整，可以通過小數(shù)因子提高傳統(tǒng)MCU的實時性能，同時將各自的成本和功耗保持在可承受的水平。