只用CPU开发自动驾驶轮船,他们居然做到了

项目经理看到后都惊了

晓查 发自 凹非寺 
量子位 报道 | 公众号 QbitAI
有件事情一直令我感到好奇:
都2021年了,现在有自动驾驶船在海上行驶吗?
带着这个问题,我打开谷歌,输入“Autonomous ship”,没想到现在的自动驾驶轮船技术刷新了我的认知:
完全无人的自动驾驶轮船今年将横渡大西洋;零排放的自动驾驶轮船正在研发中……

 准备横渡大西洋的“五月花号”自动驾驶船(图片来自IBM)
除了实验室里的成果,其商业化进度更是超出我的想象:
原来,早在2018年,RR(也就是劳斯莱斯)曾用自动驾驶轮船成功跨海运送了80名VIP客户的汽车。

RR的技术来自一家挪威公司——Kongsberg Maritime(康斯博格海事)。他们运用雷达和摄像头检测并避开障碍物,在途中自动行驶,驶入港口后自动停泊。
之后,RR商业海事部门于2019年4月被Kongsberg收购。

而这家Kongsberg,正是前面提到的开发零排放自动驾驶船舶的航海巨头。
在Kongsberg的技术蓝图里,未来挪威公司生产的化肥将在三个港口之间装船、航行和卸货。整个过程完全无需人工现场干预。

 Kongsberg正在开发的世界第一艘自动驾驶集装箱货船(图片来自官网)
按照国际海事组织(IMO)的定义,现在的自动驾驶轮船技术正在从L2向L3演进。
至此,我对自动驾驶轮船的商业化进程已经有大致的了解,那么剩下的问题来了。
轮船如何自动驾驶?
自动驾驶汽车使用的技术和芯片五花八门,有坚持只用图像识别的,也有结合激光雷达的;有自研芯片的,也有购买第三方计算平台的。
Kongsberg用的是什么方案?
和大多数无人车类似,Kongsberg的方案采用了多种传感器:雷达探测远距离物体,激光雷达对船体附近区域进行高精度分析,高清摄像头拍摄船舶前方海域180度视野景象。
这就是他们首款上市的全自动驾驶船解决方案Intelligent Awareness(智能意识)。

三种传感器收集到的信息,经过算法处理后显示在屏幕上,船员可以通过仪表盘看到高亮显示的潜在危险区域。
按照,Kongsberg的说法,“智能意识”可帮助降低航海者的风险,尤其是在黑暗环境、恶劣天气条件下,或是拥挤海域,以及进出船坞之时。
当然,其中用的图像识别与分类比自动驾驶汽车要复杂得多。
因为海面上的搜索距离更大,因此图像中物体的缩放比例是一个巨大挑战。相同物体在不同距离上呈现的大小有天壤之别,可能最小10个像素块、最大10万个像素块。

海上目标检测因距离问题导致模型准确率下降
这必然对硬件有很高的要求。
他们居然只用CPU
然而令人吃惊的是,Kongsberg在这套方案里没有使用AI推理加速硬件,比如独立的GPU或NPU,而是完全依赖于英特尔的CPU(和内部集成GPU)。
即使在运算量更小的自动驾驶车上,不使用专门的AI芯片都是不可想象的。
况且Kongsberg过去的AI方案也不是没使用过GPU,为什么在轮船上反而不用了?令人费解。
后来,这家公司的一位项目经理Saarela在采访中道出了缘由:
其中一个重要原因是海事认证问题。如果不用GPU,我们的服务器会更容易通过认证。而且,我们还想降低功耗。
我们理想的方案是使用差不多相同的通用服务器系统。我们并不是每台服务器都需要GPU,所有服务器都不用GPU会更好,这样我们就获得了冗余,能在任何服务器上运行任何应用程序。
工业领域严苛的认证体系,商业用户节约成本的需求,让全CPU方案成为了“自动驾驶轮船”的首选方案。
实际上, CPU也是完全可以胜任AI推理的。
在这套方案中,Kongsberg使用两个英特尔至强铂金8153处理器,每个处理器有16个内核。每个内核可处理两个线程,所以总共可并行处理64个模型。

硬件规格绝对够豪华。问题是,CPU能满足自动驾驶的计算需求吗?
对于这一点,就连项目经理Saarela本人最初也没有信心。
如果CPU处理图像的速度不够快,那么自动驾驶轮船就可能撞到其他高速移动的船只。对于商业海运来说,这种事故造成的经济损失不容小觑。
谁说CPU不适合AI推理
为了解决这个难题,Kongsberg找来CPU供应商英特尔联手优化了“智能意识”解决方案。
Kongsberg负责提供预先训练好的人工智能模型供英特尔使用。而英特尔则提供OpenVINO“加速包”,在不降低准确度的情况下帮助提升数据处理速度。
OpenVINO(开放式视觉推理和神经网络优化)是英特尔于2018年推出的深度学习优化与部署开源工具包,帮助开发者更方便地在英特尔硬件平台上部署AI模型。

OpenVINO支持Caffe、TensorFlow、MXNet、ONNX等主流深度学习框架,而PyTorch、PaddlePaddle等支持转换为ONNX的框架也可以间接使用,覆盖了绝大多数AI开发者。
当然,用TensorFlow开发自动驾驶轮船的Kongsberg也不例外。
OpenVINO将训练好的模型通过模型优化器转换为中间表示 (IR)文件(*.bin和*.xml)。
由于去除了模型中任何仅与训练相关的运算,并将部分推理运算融合在一起,所以大大加快了推理计算的速度。
下图展示了OpenVINO(深蓝色)在模型中的作用,它就像假设在深度学习框架(浅蓝色)和用户应用(橙色)之间的桥梁。

OpenVINO将训练后的模型针对英特尔硬件进行深度优化,再重新部署,而且这个过程中无需重新训练AI模型。
经优化后,在Kongsberg的一个目标识别基准项目上,CPU每秒处理的图片数量提升了4.8倍

看到这个结果后,Kongsberg的项目经理Saarela表示:
结果让我十分震惊。我原以为我们永远都摆脱不了GPU,但这些结果改变了我的想法,让我看到了使用CPU的可能性。
打开OpenVINO的介绍页面,你会发现,这套工具给英特尔CPU带来了巨大的AI技术加成。
最新的2021.2版功能已十分强大,支持图像分类、语义分割、目标检测、人脸识别、单眼深度估计、图像修补等几乎所有CV应用模型。
而作为一款可以放心用于工业领域的工具包,英特尔也考虑到稳定性提供LTS版,保证了性能、接口向后兼容性、7×24稳定性以及压力测试。
搭配上英特尔配套提供的Python分发版,只需微调代码即可提高Python应用程序的性能,加速NumPy、SciPy和Scikit-learn等科学计算、机器学习库。
在官方文档中,Python分发版最高可以带来数倍的性能提升。

现在,我终于明白,Kongsberg为什么只用CPU也能开发自动驾驶轮船了。
其实不仅是轮船,类似的场合还很多。就拿很多个人开发者来说,一台开发电脑可能没有独立显卡,但是绝对不能没有CPU。
而有了OpenVINO工具包的加持,受限的硬件环境一样能发挥出AI的性能。
说到这里,我突然想起来之前在英特尔开发者活动上抽中的奖品——第二代神经计算棒,这家伙放在我抽屉里很久了。

我特意去官网查询了一下,这款英特尔硬件也支持OpenVINO,而且我最近还入手了树莓派开发板,正愁如何使用。
没想到解决自动驾驶轮船的疑问,还帮我解决了另一个难题——如何防止树莓派吃灰,现在是时候用OpenVINO和神经计算棒去重新部署一下我的YOLO模型了。

版权所有,未经授权不得以任何形式转载及使用,违者必究。