h1_key

  實際上，“人工智能(AI)”并沒有明確的科學(xué)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(xué)習(xí)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(yīng)用領(lǐng)域，當今和未來具有代表性且最廣為人知的人工智能相關(guān)功能應(yīng)用包括自動駕駛(AD)應(yīng)用，以及物體傳感、物體識別和對結(jié)果反應(yīng)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(nèi))。

  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(zhuǎn)向使用人工智能(AI)和機器學(xué)習(xí)(ML)的自動駕駛技術(shù)。(來源：NSITEXE，Inc.，2021)

  較低的應(yīng)用層與傳統(tǒng)的實時執(zhí)行器控制有關(guān)，如推進、轉(zhuǎn)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(xué)習(xí)這種新興技術(shù)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(yīng)用受到各種新要求(例如歐7法規(guī))的挑戰(zhàn)，這些要求導(dǎo)致算法的復(fù)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(yīng)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(xué)習(xí)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(yīng)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(yīng)用領(lǐng)域，實現(xiàn)了多達8個以400MHz運行的性能內(nèi)核，每個內(nèi)核都具有可視化支持和服務(wù)質(zhì)量(QoS)，解決了將多個應(yīng)用程序集成到一件設(shè)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(shè)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(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(wù)級并行。矢量執(zhí)行單元與多線程架構(gòu)的結(jié)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(xué)習(xí)功能的各種算法類型。有關(guān)更多詳細信息，請參閱下面的“案例”部分。

  圖3：DR1000C架構(gòu)(來源：NSITEXE，Inc.，2021)

  DR1000C性能

  與傳統(tǒng)汽車CPU(即Harvard架構(gòu))相比，DR1000C IP的特定并行MIMD架構(gòu)帶來了量級的性能優(yōu)勢。特定的數(shù)學(xué)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(xué)習(xí)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(yīng)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(guān)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(luò)，可以將其解釋為人工神經(jīng)網(wǎng)絡(luò)。徑向基函數(shù)有很多用例，包括函數(shù)逼近、時間序列預(yù)測和系統(tǒng)控制。

  圖5：虛擬建模(來源：NSITEXE，Inc.，2021)

  模型預(yù)測控制(MPC)

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

  圖6：模型預(yù)測控制(來源：NSITEXE, Inc.，2021)

    網(wǎng)關(guān)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(luò)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(xué)習(xí)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(shè)備、端口和協(xié)議)對網(wǎng)絡(luò)活動進行分類。通過將“健康”流量的訓(xùn)練(機器學(xué)習(xí)的)模式與實際網(wǎng)絡(luò)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(yīng)用程序開發(fā)可以通過C編碼實現(xiàn)，其中用戶應(yīng)用程序用C語言編寫，結(jié)合內(nèi)部函數(shù)調(diào)用DR1000C服務(wù)?；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(diào)度器(RTS)、一個基于GNU的工具鏈、一個模擬器和一個調(diào)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(jié)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(xué)習(xí)(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(diào)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。