CN112389443A - 使用一个或更多个神经网络进行视线检测 - Google Patents
使用一个或更多个神经网络进行视线检测 Download PDFInfo
- Publication number
- CN112389443A CN112389443A CN202010089073.8A CN202010089073A CN112389443A CN 112389443 A CN112389443 A CN 112389443A CN 202010089073 A CN202010089073 A CN 202010089073A CN 112389443 A CN112389443 A CN 112389443A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- training
- processor
- coordinate system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/013—Eye tracking input arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
Abstract
描述了使用包括那些对象的数字表示的图像来确定对象的位置的设备、系统和技术。在至少一个实施例中,独立于用于检测那些乘员的一个或更多个传感器的位置来确定车辆的一个或更多个乘员的视线。
Description
背景技术
计算机技术的进步导致对象识别和分析能力的提高。出于这种分析的目的,机器学习已被用作检测图像数据中的对象的工具。然而,为了训练机器学习模型以执行对象识别,常规方法需要大量的经标记的训练数据,其中受监督的训练数据包括地面实况数据。创建此训练数据可能是一个漫长而复杂的过程,这对于各种用途而言可能过于昂贵,并且可能导致训练数据量不足。
附图说明
将参考附图描述根据本公开的各种实施例,其中:
图1A、1B、1C和1D示出了根据至少一个实施例的车辆环境的视图;
图2示出了根据至少一个实施例的可被桥接的车辆和相机坐标系;
图3示出了根据至少一个实施例的针对感兴趣区域的基准标记的布置;
图4A和图4B示出了根据至少一个实施例的用于确定对象的位置的示例过程的一些部分;
图5示出了根据至少一个实施例的用于确定视线的过程;
图6示出了根据至少一个实施例的高级系统架构;
图7示出了根据至少一个实施例的系统架构;
图8示出了根据至少一个实施例的舱室的前部;
图9示出了根据至少一个实施例的MSCM;
图10示出了根据至少一个实施例的驾驶员用户界面和配置;
图11示出了根据至少一个实施例的用于视线估计的方法的流程图;
图12示出了根据至少一个实施例的神经网络的管线;
图13示出了根据至少一个实施例的用于对驾驶员的视线进行分类的视线检测DNN;
图14示出了根据至少一个实施例的示例环境;
图15示出了根据至少一个实施例的用于训练可以被利用的图像合成网络的示例系统;
图16示出了根据至少一个实施例的可以被利用的示例统计模型的一些层;
图17A示出了根据至少一个实施例的推理和/或训练逻辑;
图17B示出了根据至少一个实施例的推理和/或训练逻辑;
图18示出了根据至少一个实施例的示例数据中心系统;
图19A示出了根据至少一个实施例的自主车辆的示例;
图19B示出了根据至少一个实施例的图19A的自主车辆的相机位置和视野的示例;
图19C示出了根据至少一个实施例的图19A的自主车辆的示例系统架构;
图19D示出了根据至少一个实施例的用于在基于云的服务器与图19A的自主车辆之间进行通信的系统;
图20示出了根据至少一个实施例的计算机系统;
图21示出了根据至少一个实施例的计算机系统;
图22示出了根据至少一个实施例的计算机系统;
图23示出了根据至少一个实施例的计算机系统;
图24A示出了根据至少一个实施例的计算机系统;
图24B示出了根据至少一个实施例的计算机系统;
图24C示出了根据至少一个实施例的计算机系统;
图24D示出了根据至少一个实施例的计算机系统;
图24E和24F示出了根据至少一个实施例的共享编程模型;
图25示出了根据至少一个实施例的示例性集成电路和相关的图形处理器;
图26A-26B示出了根据至少一个实施例的示例性集成电路和相关的图形处理器;
图27A-27B示出了根据至少一个实施例的附加的示例性图形处理器逻辑;
图28示出了根据至少一个实施例的计算机系统;
图29A示出了根据至少一个实施例的并行处理器;
图29B示出了根据至少一个实施例的分区单元;
图29C示出了根据至少一个实施例的处理集群;
图29D示出了根据至少一个实施例的图形多处理器;
图30示出了根据至少一个实施例的多图形处理单元(GPU)系统;
图31示出了根据至少一个实施例的图形处理器;
图32示出了根据至少一个实施例的处理器的微架构;
图33示出了根据至少一个实施例的深度学习应用处理器;
图34示出了根据至少一个实施例的示例性神经形态处理器;
图35和36示出了根据一个或更多个实施例的图形处理器的至少一部分;
图37示出了根据至少一个实施例的图形处理器核心的至少一部分;
图38A-38B示出了根据至少一个实施例的图形处理器核心的至少一部分;
图39示出了根据至少一个实施例的并行处理单元(“PPU”);
图40示出了根据至少一个实施例的通用处理集群(“GPC”);
图41示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元;以及
图42示出了根据至少一个实施例的流式多处理器。
具体实施方式
在至少一个实施例中,可以在空间(诸如车辆的内部舱室)中执行对象定位,如图1A的视图100所示。在至少一个实施例中,车辆可以包括各种部件,例如方向盘、仪表板、挡风玻璃和后视镜,驾驶员104或其他乘客在该车辆中可以注视它们。在至少一个实施例中,可以使用使用至少一个相机捕获的图像或视频数据来对关于驾驶员104的位置进行确定。在至少一个实施例中,相机可以放置在车辆中的各个位置,例如附接到后视镜的相机102或放置在仪表板上的相机106。在至少一个实施例中,这些相机可以捕获包括驾驶员或该车辆的其他乘员的表现的图像数据,并且可以对该图像数据进行分析以确定关于驾驶员的信息。在至少一个实施例中,该信息可以包括驾驶员或其他乘员的位置、姿势、头部位置和视线方向。
在至少一个实施例中,视线方向信息可以用于确定在给定的时间点车辆的乘员正在观看什么。在至少一个实施例中,这可以包括确定驾驶员在驾驶时是在望向挡风玻璃还是目光从挡风玻璃离开,看向例如后视镜、仪表板或车辆的其他地方。在至少一个实施例中,这样的信息可用于确定驾驶员是否分心或无法看到车辆周围发生的动作,例如在车辆前面行走的行人。在至少一个实施例中,如果车辆监视系统能够确定驾驶员视线没有离开挡风玻璃并且可能没有足够的时间看到该行人以停止车辆,则车辆监视系统可以确定自动或自主停止该车辆,以避免撞到行人。
然而,在至少一个实施例中,乘员正在看向的位置需要关于车辆中多个对象的相对位置的知识。在至少一个实施例中,监视系统将需要具有关于对象(诸如挡风玻璃或镜子)的位置的信息,以便能够确定乘员是否注视着特定对象,或者该视线方向是否将与该对象相交。在车辆具有固定相机和一组对象的至少一个实施例中,可以基于这些已知位置来生成和训练模型,这可以提供用于训练的地面实况。然而,在至少一个实施例中,用于捕获这样的信息的相机或传感器可以位于车辆内或附近的各个位置。在至少一个实施例中,这些相机在该车辆内可以移动或着是可选的。在至少一个实施例中,设备的移动性可能是有问题的,因为与车辆或其他此类区域内的对象或位置没有固定的关系。
在至少一个实施例中,可以训练神经网络或机器学习以至少部分地基于来自这些相机或传感器中的一个或更多个的捕获的图像或视频数据来推理信息(诸如视线方向或位置)。在至少一个实施例中,由于可以将相机放置在车辆内的任何位置,因此需要使用针对车辆内各个位置的训练数据来训练神经网络。在至少一个实施例中,获得针对相机的所有可能的位置和方向的训练数据将是不实际的。在至少一个实施例中,将相机放置在车辆内的任意位置会导致缺乏地面实况数据,这可能会导致训练问题。在至少一个实施例中,车辆内的点或位置可以是固定的并且是已知的,但是在该车辆内的相机的位置和方向可能是未知的,使得这些点或对象相对于相机的相对位置将是不确定的并且没有可用的地面实况。在至少一个实施例中,如图1B和1C所示,从不同相机捕获的图像数据将包括不同位置的对象的表示。在至少一个实施例中,图1B中所示的图像120包括从后视镜上的第一相机102的角度看驾驶员的表示,以及图1C所示的图像140包括从仪表板上的第二相机106的角度看该驾驶员的表示。在至少一个实施例中,在两个图像中驾驶员均正在看仪表板。然而,在至少一个实施例中,在没有地面实况数据以及给定相机相对于该车辆的已知位置和方向的情况下,不能无疑地确定该驾驶员正在看什么。
在至少一个实施例中,可以考虑车辆中各种对象的坐标系。在至少一个实施例中,如在图1D的视图160中所图示的,可以存在与第一相机相关联的坐标系162,该坐标系162的原点和方向基于相机传感器的位置和方向。在至少一个实施例中,将类似地存在车辆坐标系164用于该车辆,其中该车辆内的点将相对于车辆坐标系164固定。在至少一个实施例中,不同的相机放置将导致这些坐标系统164、164之间的不同的相对距离和方向。在至少一个实施例中,也可以存在附加的坐标系,例如用于驾驶员或乘员的坐标系166,其可以基于诸如位置、方向和那个人的姿势之类的因素随时间变化。在至少一个实施例中,可以考虑与该车辆中的另一相机或传感器相对应的另一坐标系168。在至少一个实施例中,可以存在附加的相机、传感器或对象,其每个可以具有一个或更多个相应的坐标系。
在至少一个实施例中,可以尝试使这些坐标系中的至少一些关联或桥接。在至少一个实施例中,对应于如图2的视图200中所示的车辆方向,相机可以位于后视镜附近,并且该相机可以是至少在操作期间或当检测到乘员时连续捕获该车辆内部的图像数据的主舱室相机。在至少一个实施例中,可以考虑相对于该相机确定的相机坐标系202,因为使用该相机捕获的图像数据将包括相对于该相机的对象的表示。在至少一个实施例中,可以通过确定它们在相机坐标系中的位置来简化表示这些对象相对于该相机的位置。然而,在至少一个实施例中,该相机坐标系中的位置可能没有用于训练的地面实况数据,因为相机位置可以是任意的,或者可以是车辆中或附近的多个可能位置之一。
在至少一个实施例中,可以为该车辆的舱室考虑车辆坐标系204。在至少一个实施例中,该坐标系204可以以特定位置为中心,例如在该车辆中定义原点的位置。在至少一个实施例中,该原点可以对应于校准架208或其他这样的对象,其可以被放置在要用于建模的车辆中的确定点处。在至少一个实施例中,校准架208可包括可用于确定校准架208相对于相机的相对位置206和方向的信息。在至少一个实施例中,校准架208可以包括不对称的棋盘图案或其他不对称的图案,其可以用于确定该图案的方向。在至少一个实施例中,平面图案还可以在三维上提供关于该校准架的相对方向的信息。在至少一个实施例中,由相机捕获的图像数据可以包括该校准架208的表示。在至少一个实施例中,可以分析图像数据以确定在相机坐标系中该校准座204相对于该相机的相对位置和方向。在至少一个实施例中,在该车辆坐标系中已知该车辆中的点的地面实况数据。在至少一个实施例中,对车辆坐标系204相对于相机坐标系202的相对位置和方向的确定提供了地面实况数据,该地面实况数据可用于为该配置训练模型或神经网络,因为车辆坐标系204中的点可以映射到相机坐标系202中的相应点。
在至少一个实施例中,可以确定车辆中的一组感兴趣的对象或区域。在至少一个实施例中,这些对象可以包括车辆的驾驶员或乘员可能看到的事物,例如挡风玻璃区域以观看车辆前方的对象,后视镜或侧视镜以观察车辆旁边或后边的对象,仪表板以获取有关车辆运行的信息,或者显示屏以获取其他类型的内容或信息。在至少一个实施例中,对于这些和其他潜在的感兴趣对象,可能需要确定与这些对象相对应的车辆中的位置。
在至少一个实施例中,标记可以用于指定车辆中的对象或区域。在至少一个实施例中,可以使用诸如Apriltag的基准标记。在至少一个实施例中,Apriltag提供了可视基准元件306,该可视基准元件可用于确定图像中的点的位置和方向,其将对应于相机坐标系或虚拟相机空间中的相对位置。在至少一个实施例中,可以利用QR码或其他基准元件。在至少一个实施例中,可以使用一组四个基准元件306来标记区域,其中该区域可以近似为盒、梯形或其他四边形几何形状。在至少一个实施例中,部分地取决于区域的形状,可以使用两个或更多个基准元件来表示该区域。在至少一个实施例中,可以通过包括基准元件306的至少一个子集的表示的相机302来捕获图像数据。在至少一个实施例中,可以从该图像数据(而不是在虚拟相机空间内)中确定这些基准元件306的位置和方向。在至少一个实施例中,这可以包括对象(诸如挡风玻璃区域310、后视镜区域308或方向盘区域312)的相对位置和方向。在至少一个实施例中,当确定乘员的视线方向为与这些区域之一相交,可以确定该乘员正在看向该区域,并且可以基于该信息对是否应采取任何措施进行决定。在至少一个实施例中,这样的动作可以包括选择信息以显示在乘员正在看的位置,由于驾驶员将视线从某个区域移开而采取驾驶动作,或者调整车辆的操作或配置等等。
在至少一个实施例中,可能不存在可用于图3的配置的地面实况数据以提供至少一个神经网络的精确训练,例如用于与该配置相对应的特定类型车辆的神经网络。然而,在至少一个实施例中,对于相对于该坐标系的原点(其可以对应于校准架304)的车辆坐标系或车辆空间中的这些基准标记306的位置,地面实况数据是可用的。在至少一个实施例中,可以将虚拟相机空间中的点映射到车辆坐标空间中的点,其可以为由相机302捕获的图像数据中表示的这些基准标记306提供地面实况数据。在至少一个实施例中,只要可以将该车辆空间映射到相应的虚拟相机空间,可以为任意相机位置提供地面实况数据。在至少一个实施例中,校准架304具有不对称图案,例如彩色棋盘图案,其可用于基于在捕获的图像数据中的出现的该图案来确定该校准架的位、距离和方向。
在至少一个实施例中,创建虚拟相机空间并将其用作到数据收集系统和真实汽车环境的桥梁。在至少一个实施例中,这种桥接使得车辆监视系统能够将任何训练过的深度神经网络(DNN)模型部署到任何车辆模型。在至少一个实施例中,利用了可以将每个物理世界点转换成虚拟相机空间中的一个点的坐标传播机制。在至少一个实施例中,传播机制可以找到所确定的坐标系(例如相机坐标系)与一个或更多个相邻坐标系(例如车辆或乘员坐标系)之间的关系。在至少一个实施例中,这些坐标系可以被链接在一起或以其他方式相关联,使得可以在虚拟相机空间中确定任何点的坐标。
在至少一个实施例中,虚拟相机空间和坐标传播机制可以应用于训练多个车辆模型,为要求乘员看的所有位置或视线点生成地面实况。在至少一个实施例中,这可以包括在车辆的对象的基准标记附近看着灯(例如发光二极管(LED))。在至少一个实施例中,传播路径从LED空间开始,到达物理LED板空间,然后是基准标记物空间、真实世界空间、校准架空间,最后到达虚拟相机空间。在至少一个实施例中,可以确定与车辆、基准标记和其他固定位置相对应的数据点,从而可以确定从车辆空间到虚拟相机空间的单个传播路径。在至少一个实施例中,该传播路径对应于从该点到虚拟相机空间中的原点的向量,这使得能够确定相机坐标系中该点的坐标,该相机坐标系可以用作地面实况数据。在一个实施例中,该地面实况数据可用于实现深度神经网络模型的用户特定训练。在至少一个实施例中,该地面实况数据可用于授权基于投影的DNN视线建模。在至少一个实施例中,利用基于镜子的遮挡不变相机定位方法,即使当(例如通过方向盘)遮挡了几何图案板的一部分时,该方法也提供了正确的相机定位。在至少一个实施例中,利用了一种程序,该程序可以通过使用约束(诸如DMS环境约束)来缩小姿势搜索空间来确定用于优化校准和定位的最优姿势集。
在至少一个实施例中,可以训练对象检测模型以确定在任何可定义的三维(3D)环境中对象的位置。在至少一个实施例中,可以相对于该环境为相机或传感器确定地面实况数据,以允许构建和/或训练模型。在至少一个实施例中,将具有可确定方向的对象放置在该3D环境中,以充当到具有相机坐标系的虚拟相机空间的桥梁。在至少一个实施例中,然后可以将环境坐标系中已知的点转换为该相机坐标系中的地面实况点。在至少一个实施例中,该地面实况数据用于训练基于视觉的深度学习系统以能够推理出某些输出。在至少一个实施例中,该输出是车辆乘员的视线方向或位置。
在至少一个实施例中,视线估计网络使用在车辆中的驾驶员或乘客前面的相机。在至少一个实施例中,由该相机捕获图像数据以尝试确定人们在看什么。在至少一个实施例中,在训练部分期间,需要大量的数据,其包括在各个感兴趣的点(例如,车辆中或车辆附近的点)的人们看向各个方向的表示。在至少一个实施例中,一旦训练了这样的网络,则可以将该网络部署在该类型的车辆中,这可以使该车辆或与该车辆通信的系统推理出人在看什么。在至少一个实施例中,可以构建利用该视线信息的可用性的应用程序。在至少一个实施例中,视线确定信息可以用于确定驾驶员是否正在留心并且正在注意道路,或者是否分心并且正在看其他地方。在至少一个实施例中,视线信息可以用于修改车辆的操作,例如通过修改汽车控制,更改显示的信息或修改车辆的驾驶模式。
在至少一个实施例中,获得了地面实况数据,该地面实况数据可用于描述任意坐标系中的三维点,例如可以对应于相机或传感器。然后,在至少一个实施例中,该地面实况数据可以与在三维空间(例如车辆的内部舱室)的至少部分视图的相机所捕获的图像中表示的对象相关联。在至少一个实施例中,位置确定可以用于与视线或视觉无关的应用程序。在至少一个实施例中,对象确定系统可以确定在环境(诸如车辆)中对象的位置。
在至少一个实施例中,可以将预训练的视线模型部署到任何类型的车辆。在至少一个实施例中,可以利用车辆中的基于LED的检测系统,该系统可以映射到三维空间中。在至少一个实施例中,检测系统可以用于确定驾驶员正在看的位置,并且能够针对多个位置重复该确定过程。在至少一个实施例中,可以使用一组LED板,每个LED板包括基准标记(诸如Apriltag)。在至少一个实施例中,然后可以确定每个LED板在车辆空间中的位置。在至少一个实施例中,每个基准标记提供基于图像确定相对于相机或传感器的三维位置、方向和身份。在至少一个实施例中,一个或更多个基准标记位于每个感兴趣的对象附近,例如在感兴趣的对象的每个角上的一个基准标记。可以捕获包括这些基准标记的表示的图像数据,并在车辆空间中重建相应的三维位置。在至少一个实施例中,可以将车辆空间中的这些坐标映射到相机坐标系或虚拟相机空间中。在至少一个实施例中,可以使用传输机制来将车辆坐标系中的LED板坐标传播到相机坐标系中。在至少一个实施例中,不同坐标系或虚拟空间之间的差异包括原点和六个自由度。在至少一个实施例中,单个坐标系对于环境(诸如车辆)可能是有用的,而多个坐标系对于具有可能改变方向或位置的对象的环境(诸如当多个乘员在车辆中时)可能是有用的。在至少一个实施例中,对于具有多个坐标系的环境,可以将这些系统连接在一起以提供在那些相关联的坐标系中的任何一个中的地面实况数据。
在至少一个实施例中,检测过程包括可以在受控环境中执行的初始训练阶段或数据收集阶段。在至少一个实施例中,检测过程还包括第二推理阶段,在第二推理阶段中,例如在车辆或其他这样的环境中,使用经训练的模型。在至少一个实施例中,针对其使用模型的环境可以具有一个或更多个可变方面,例如相机位置。在至少一个实施例中,相机的可变性质可以为数据收集带来不确定性,因为相机没有固定在公共坐标系中的一致位置中,使得模型可能难以推理信息(例如基于使用这种相机捕获的图像数据的驾驶员视线位置)。在至少一个实施例中,即使将相机固定在环境中,也可以将第二类似环境中的第二相机固定在不同的位置。在至少一个实施例中,位置的差异可能使得难以部署在至多这些位置之一上训练的以与放置在不同位置的相机一起使用的模型。
在至少一个实施例中,提取虚拟相机空间。在至少一个实施例中,将该空间称为虚拟空间,因为它不依赖于任何物理空间。在至少一个实施例中,该虚拟相机空间可以用于帮助桥接数据收集阶段和车内推理。在至少一个实施例中,相机位置是固定的,但是在给定的车辆或环境中是未知的。在至少一个实施例中,乘员位置也可以随乘员以及随时间而变化。在至少一个实施例中,可以对要求驾驶员看向的位置进行固定,例如挡风玻璃的左上角、左后视镜的左上角或右后视镜的角。在至少一个实施例中,使用放置在封闭环境中的可能位置的子设备中的相机或传感器来收集数据。在至少一个实施例中,广义的视线网络将能够确定乘员可以在车辆中看向的每个可能位置,并以高精度识别当前的视线位置。
在至少一个实施例中,使用至少一个相机或传感器捕获的图像数据获得训练和地面实况数据。在至少一个实施例中,使用计算机视觉算法来处理该图像数据以确定例如一组基准标记的相对位置。在至少一个实施例中,可以使用桥接机制将该位置信息与环境空间(例如,车辆空间)中的已知地面实况数据相关联。因此,在至少一个实施例中,地面实况收集过程涉及至少一种定位和重建算法。在至少一个实施例中,可以将这些和其他组件作为校准套件的一部分来提供。在至少一个实施例中,校准套件包括可以确定相机的成像特性的相机校准组件以便考虑该相机的任何细节。在至少一个实施例中,校准套件包括可以在任何车辆或封闭区域内定位全局监视相机的定位组件。在至少一个实施例中,校准套件还包括可以重建车辆几何形状的视频重建组件。在至少一个实施例中,校准套件可以通过坐标传播过程来连接该信息,该坐标传播过程可以用于获取环境中每个相关点的地面实况数据,其可以用于训练和部署具有这种特定的几何形状的车辆中的神经网络模型。
在至少一个实施例中,可以使用训练的模型来生成与人正在看的位置相对应的视线矢量(gaze vector)。在至少一个实施例中,还可以验证经训练的模型。在至少一个实施例中,存在一种向量,该向量的原点在人的两只眼睛之间,并且可以追踪或确定从该点开始的视线方向的视线。在至少一个实施例中,该视线将与用于特定车辆区域的车辆几何形状中的特定点相交。在至少一个实施例中,可以将该确定的区域与地面实况数据进行比较,以确定是否生成了正确的推理。在至少一个实施例中,这样的过程可以用来验证经训练的模型。在至少一个实施例中,然后可以部署该经训练的模型以进行推理,并且可以推理出人在看向哪里。在至少一个实施例中,部分基于该模型的训练方式,该推理可以针对车厢中的任何位置,或者针对特定位置。在至少一个实施例中,针对特定位置或区域的训练可以产生针对那些特定位置或区域的更准确的推理。
在至少一个实施例中,利用单个相机和环境光来执行数据捕获。在至少一个实施例中,使用至少一个相机或传感器和至少两个照明源(例如两个红外(IR)LED)来执行数据捕获。在至少一个实施例中,两个光源的使用使得视线检测能够解决眩光或障碍。在至少一个实施例中,利用应用于感兴趣的特定对象(诸如挡风玻璃、仪表盘、左后视镜、右后视镜和后视镜)的基准来执行数据捕获。在至少一个实施例中,可以使用另一数据捕获过程,因为它可能涉及超声或激光扫描数据捕获。在至少一个实施例中,针对特定类型和型号的车辆捕获的数据可以用于训练模型,然后该模型可以与该类型和型号的任何车辆一起使用。在至少一个实施例中,可以针对车辆或环境的个体变化来训练不同的模型。
在至少一个实施例中,视线数据可以与其他数据一起使用,以确定修改或控制车辆的操作方面的方式。在至少一个实施例中,驾驶员可以说诸如“降低那个窗户”或“降低我的窗户”之类的短语。在至少一个实施例中,麦克风可以捕获语音表达,并且可以执行语音-文本分析以确定指令。在至少一个实施例中,视线信息可用于帮助确定该驾驶员正在谈及的窗户。在至少一个实施例中,然后车辆可以部分地基于推理的视线数据自动降低确定的窗户。在至少一个实施例中,模型还可以是针对个体用户或个人进行个性化的,以便考虑个体特征或特性。
在至少一个实施例中,可以生成地面实况数据以训练一个或更多个神经网络,如图4A的过程400所示。在至少一个实施例中,402确定车辆中的一个或更多个感兴趣区域。在至少一个实施例中,这些区域可以包括乘员可能注视的区域,或者对于确定用户正在注视的东西(例如车辆内或附近的窗户、镜子或显示面板)而有价值的区域。在至少一个实施例中,404基准标记可以被定位在那些区域的代表性点处,诸如在那些区域的拐角处。在至少一个实施例中,这些基准标记可以包括非对称视觉方面,其使得能够确定基准标记的诸如位置、距离、方向和身份的信息。在至少一个实施例中,这些基准标记可以包括Apriltags或QR码,并且可以具有一个或更多个在此讨论的相关LED。在至少一个实施例中,406可以在车辆空间中确定这些代表点的位置数据,例如通过确定相对于原点的绝对位置,该绝对位置将随着时间而保持固定。在至少一个实施例中,408可以使用相机来捕获图像数据,其中该图像数据包括车辆内部的基准标记和校准架的表示。在至少一个实施例中,使用校准架来指定定义虚拟车辆空间的车辆坐标系的原点和方向。在至少一个实施例中,校准架可以包括棋盘格滤镜和至少一个非对称面,使得相机至少能够确定所捕捉的图像数据中所表示的校准板的位置、方向和比例。在至少一个实施例中,410分析捕获的图像数据以确定虚拟相机空间中或根据相机坐标系的代表点的位置。在至少一个实施例中,通过分析图像数据中基准标记的表示来确定点位置。在至少一个实施例中,412可以利用在车辆中并在捕获的图像数据中表示的校准架作为桥接机构,以使车辆坐标系和相机坐标系相关联,由此使该相机空间中的点与已知该车辆坐标系中的对应点绝对位置数据相关联。在至少一个实施例中,412可以利用这些相关点的这些已知相对位置作为地面实况数据来训练一个或更多个神经网络。
在至少一个实施例中,执行图4B中所示的过程450可以使用这种经训练的模型来确定环境(诸如车辆)中的位置。在至少一个实施例中,452获得将被用于推理的图像或视频帧。在至少一个实施例中,454可以提供图像作为训练模型或神经网络的输入。在至少一个实施例中,该经训练的模型可以处理数据,至少包括图像数据,并且456推理车辆中对象的位置,诸如可以对应于乘员注视的区域或对象。
在至少一个实施例中,图5中示出的过程500可以用于确定视线数据。在至少一个实施例中,502使用一个或更多个传感器检测车辆的一个或更多个乘员。在至少一个实施例中,这些传感器可以包括成像、距离或位置传感器,例如相机、超声传感器、雷达扫描和LIDAR。在至少一个实施例中,504可以独立于这些一个或更多个传感器的位置来确定该车辆的一个或更多个乘员的注视。
图6示出了根据本发明的一个实施例的高级系统架构。系统600最好包括多个控制器602(1)-602(N),包括用于自动驾驶或半自动驾驶的控制器和系统。一个或更多个控制器602可以包括用于执行智能助手软件堆栈(IX)的高级SoC或平台,智能助手软件堆栈(IX)进行风险评估并提供通知、警告,并全部或部分地自主控制车辆,以执行本文所述的风险评估和高级驾驶员辅助功能。两个或更多个控制器用于提供自动驾驶功能,执行自动驾驶汽车(AV)软件堆栈以执行自动或半自动驾驶功能。
用于执行本发明的高级平台(Advanced Platform)和SoC优选地具有多种类型的处理器,从而提供“用于工作的合适的工具”以及用于功能安全性的处理多样性。例如,GPU非常适合于高精度任务。另一方面,可以优化硬件加速器以执行更特定的功能集。通过提供多个处理器的混合,高级平台和SoC包括一整套工具,能够快速、可靠和高效地执行与高级AI辅助车辆(Advanced AI-Assisted Vehicles)相关的复杂功能。
图7示出了根据一个实施例的系统架构。该系统包括用于自动或半自动驾驶的控制器和系统。控制器(100)从部署在车辆周围的一个或更多个相机(72、73、74、75)接收输入。控制器(100)检测对象并将有关对象的存在和轨迹的信息提供给风险评估模块(6000)。系统包括位于车辆内部的多个相机(77)。相机(77)可以如图8所示布置,或以任何其他方式提供覆盖驾驶员和其他乘员的覆盖范围。相机(77)向多个深度神经网络(5000)提供输入,以监视驾驶员、其他乘员和/或车辆中的状况。可选地,可以使用多传感器相机模块(500),(600(1)-(N))和/或(700)来查看车辆内部或外部环境。
优选地,对神经网络进行训练以检测许多不同的特征和事件,包括:面部的存在(5001),驾驶员座位或一个或更多个乘客座位上的人的身份(5002),驾驶员的头部姿势(5003),驾驶员的视线方向(5004),驾驶员的眼睛是否张开(5005),驾驶员的眼睛是否闭合或被遮挡(5006),驾驶员是否在讲话,以及如果这样,驾驶员在说什么(通过音频输入或唇读)(5007),乘客是否有冲突或以其他方式损害驾驶员控制车辆的能力(5008)以及驾驶员是否处于困境(5009)。在附加的实施例中,训练网络以识别驾驶员动作,包括(但不限于):基于头部和身体的姿势和动作来检查手机、饮酒、吸烟和驾驶员意图。在一个实施例中,AV栈和IX栈都可以在同一平台或SoC上执行(9000)。
图8中示出了舱室的示例性相机布局。图9示出了根据一个实施例的舱室的前部。舱室优选地包括至少两个指向驾驶员的相机。在一个实施例中,驾驶员主相机(77(3))检测在940nm波长、60度视野的红外光,并以60fps拍摄图像。驾驶员主相机(77(3))优选用于确定人脸ID,并确定驾驶员的视线、头部姿势,并检测睡意。在至少一个实施例中,可以用提供IR和RGB相机功能的多传感器相机模块代替驾驶员主相机。
在一个实施例中,驾驶员辅助相机(77(4))是940nm波长、具有60度的视野的红外(IR),以每秒60帧的速度拍摄图像。驾驶员辅助相机(77(4))最好与驾驶员辅助相机(77(3))一起使用,以确定驾驶员的视线、头部姿势,并检测睡意。可选地,可以用提供IR和RGB相机功能的多传感器相机模块替换驾驶员辅助相机。
舱室最好包括至少一个通常安装在头顶的舱室主相机(77(1))。在一个实施例中,舱室主相机(77(1))是波长为940nm的红外相机,具有飞行时间(ToF)深度,90度视野并以30fps拍摄图像。舱室主相机(77(1))优选用于确定姿势和舱室占用率。舱室优选地包括至少一个通常安装在乘客储物箱或乘客侧仪表板附近的乘客相机77(5)。在一个实施例中,乘客相机(77(5))是940纳米波长、60度视野下的IR,以30fps拍摄图像。可替代地,可以用提供IR和RGB相机功能的多传感器相机模块(500)、(600(1)-(N))和/或(700)替换驾驶员主相机。
舱室的前部最好包括多个LED照明器(78(1)-(2))。照明器最好投射940nm的红外光,并与相机同步,并且对人眼安全。车辆的前部最好还包括一个低角度相机,以确定驾驶员何时向下看(与驾驶员何时闭眼相比)。
舱室还优选地具有“舱室辅助”相机(未示出),其提供整个舱室的视图。舱室辅助相机优选地安装在车顶的中央,并具有广角镜,提供整个舱室的视图。这使系统可以确定乘员人数,估计乘员的年龄并执行对象检测功能。在其他实施例中,该系统包括用于前后乘客的专用相机(未示出)。这种专用相机使系统可以与车辆前部或后部的乘员进行视频会议。
在至少一个实施例中,自主车辆可以包括一个或更多个多传感器相机模块(MSCM),其在单个壳体中提供多个传感器并且也允许可互换的传感器。根据各种实施例的MSCM可以在各种配置中使用:(1)IR+IR(IR立体视觉),(2)IR+RGB(立体视觉和配对帧),(3)RGB+RGB(RGB立体视觉)。根据所需的颜色和弱光性能,可以用RCCB(或其他颜色传感器)替换RGB传感器。MSCM可用于覆盖车辆外部环境的相机,覆盖车辆内部的相机或两者。
图9示出了MSCM的实施例。在该实施例中,MSCM(900)耦合到一个或更多个适合于控制自主或半自主车辆的AI超级计算机。在该实施例中,AI超级计算机(800)、(900)包括一个或更多个高级SoC,如2017年11月10日提交的申请号为62584549的美国临时申请所述。
多传感器相机模块904包括串行器(906)、IR图像传感器(912)、RGB图像传感器(918)、透镜和IR滤光器(914)以及微控制器(916)。可以使用许多相机传感器,包括OnSemiAR0144(1.0兆像素(1280H x 800V),60fps,全局快门(Global Shutter),CMOS)。AR0144减少了在明亮和弱光条件下的伪影,并将其设计用于高快门效率和信噪比,以最大程度地减少重影和噪声影响。AR0144可以同时用于颜色传感器(1006)和单色传感器(1007)。
可以使用许多不同的相机镜头(914、924)。在一个实施例中,相机镜头是具有940nm带通的LCE-C001(55HFoV)。LED透镜优选是Ledil Lisa2 FP13026。在一个实施例中,将每个透镜安装在被设计用于对准特定的LED的模制的聚碳酸酯(PC)壳体中,从而为每个合格的品牌或样式的LED提供透镜在理想焦点处的精确定位。可以使用其他LED透镜。
在图9所示的实施例中,MSCM控制一个或更多个LED(922)。这些LED符合汽车标准,并以高度集中的不可见红外光的形式为相机提供红外照明。在一个实施例中,LED是OsramOpto SFH4725S IR LED(940nm)。LED(922)由开关(920)控制,该开关使LED闪烁。LED透镜优选是Ledil Lisa2 FP13026。可以使用其他LED和透镜。
串行器优选是MAX9295A GMSL2 SER,尽管也可以使用其他串行器。合适的微控制器(MCU)包括Atmel SAMD21。SAM D21是一系列使用32位ARM Cortex处理器的低功耗微控制器,从32引脚变化到64引脚,具有高达256KB的闪存和32KB的SRAM。SAM D21设备的最大频率为48MHz,并达到2.46CoreMark/MHz。也可以使用其他MCU。尽管可以使用其他LED驱动器,但是LED驱动器(922)优选是ON-Semi NCV7691-D或等效的。
图10示出了驱动器UX输入/输出和配置的一个实施例。驱动器UX包括一个或更多个显示屏幕,包括AV状态面板(900)、主显示屏幕(903)、辅助显示屏幕(904)、环绕显示屏幕(901)和通信面板(902)。AV状态面板(900)优选是小的(3.5”,4”或5”)显示器,其仅显示用于安全驾驶员来操作车辆的关键信息。
环绕显示屏幕(901)和辅助显示屏幕(904)优选地显示来自交叉交通相机(505)、盲点相机(506)以及后相机(507)和(508)的信息。在一个实施例中,如图23所示,环绕显示屏(901)和辅助显示屏(904)布置成环绕安全驾驶员。在替代实施例中,显示屏的组合或布置可以不同于图23所示的实施例。例如,AV状态面板(900)和主显示屏幕(903)可以合并在单个前向面板中。可替代地,主显示屏(903)的一部分可以用于显示带有周围对象的高级AI辅助车辆的分屏视图或俯视图。可替代地,驾驶员UX输入/输出可以包括车辆参数(诸如速度、目的地、ETA和乘客数量、或者仅仅是AV系统的状态(激活或禁用))的平视显示器(“HUD”)(906)。
驾驶员界面和显示器可以提供来自自动驾驶栈的信息以辅助驾驶员。例如,驾驶员界面和显示器可以在挡风玻璃上的主屏幕(903)或HUD(906)中突出显示车道、汽车、标志、行人。驾驶员界面和显示器可以提供自动驾驶栈建议的推荐路径,以及在车辆接近信号灯或交通标志时停止加速或开始制动的建议。驾驶员界面和显示屏可能会突出显示兴趣点,在驾驶时扩大汽车周围的视野(宽FOV)或协助停车(例如,提供俯视图-如果车辆具有环绕相机)。
驾驶员界面和显示器优选提供警报,包括:(1)等待条件,前方包括交叉路口、建筑区域和收费站;(2)行驶路径中的对象,如行人的行驶速度比先进的AI辅助车辆(AdvancedAI-Assisted Vehicle)慢得多,(3)前方停滞的车辆,(4)前方学校区域,(5)在路边玩耍的孩子,(6)在路边的动物(例如鹿或狗),(7)紧急车辆(例如警车、消防车、医疗车或其他带有汽笛的车辆),(8)很可能在行车道前切入的车辆,(9)横穿交通,尤其是在可能违反交通信号灯或标志的情况下,(10)接近骑自行车的人,(11)道路上意外的对象(例如轮胎和碎屑),以及(12)前方质量差的道路(例如结冰的道路和坑洼)。
实施例可以适用于任何类型的车辆,包括但不限于小轿车、箱式轿车、公共汽车、出租车和班车。在一个实施例中,先进的AI辅助车辆包括用于与乘客通信的乘客界面,包括地图信息、路线信息、文本到语音界面、语音识别和外部应用程序集成(包括与日历应用程序(如Microsoft Outlook)的集成)。
图11示出了根据一个实施例的用于视线估计的方法的流程图。在步骤1,接收眼睛的图像。在步骤2,接收头部方向。在一个实施例中,头部方向数据是预先计算的,并且可以包括方位角和仰角。在另一个实施例中,头部方向数据是对象面部的图像,并且根据该图像确定头部方向。在步骤3,由CNN根据图像和头部方向数据计算视线位置。
图12示出了根据一个实施例的适于确定视线检测的神经网络的管线。FDNet(5001)经过训练可以检测到面部的出现。HPNet(5003)确定人的头部姿势。FPENet(50011)检测基准点。在该实施例中,GazeNet(5004)是使用包括头部位置数据(x,y,z)和与头部相关联的基准点的输入来训练的神经网络。GazeNet使用这些输入来检测驾驶员的视线。
在一个实施例中,风险评估模块确定交叉交通是否超出驾驶员的视野并提供适当的警告。图13示出了一种情形,其中风险评估模块使用来自DNN的信息进行视线检测(5004)以及使用来自控制器的信息来警告驾驶员。
视线检测DNN将驾驶员的视线归类为落入一个区域,如图13所示。在一个示例中,区域包括左交叉路口(10(1))、中心交叉路口(10(2))、右交叉路口(10(3))、后视镜(10(4))、左侧后视镜(10(5))、右侧后视镜(10(5))、仪表板(10(7))和中央控制台(10(8))。
在视线检测DNN对驾驶员的视线区域进行分类时,控制器(100(2))使用在先进SoC上执行的DNN来检测驾驶员视野之外的交叉交通。
神经网络训练和部署
在至少一个实施例中,使用训练数据集来训练未经训练的神经网络。在至少一个实施例中,训练框架是PyTorch框架,而在其他实施例中,训练框架是Tensorflow、Boost、Caffe、Microsoft Cognitive Toolkit/CNTK、MXNet、Chainer、Keras、Deeplearning4j或其他训练框架。在至少一个实施例中,训练框架训练未经训练的神经网络,并使它能够使用本文所述的处理资源进行训练以生成经训练的神经网络。在至少一个实施例中,权重可以被随机选择或者通过使用深度信念网络的预训练来选择。在至少一个实施例中,可以以有监督、部分监督或无监督的方式执行训练。
在至少一个实施例中,使用监督学习来训练未经训练的神经网络,其中训练数据集包括与输入的期望输出配对的输入,或者其中训练数据集包括具有已知输出的输入并且神经网络的输出是手动分级。在至少一个实施例中,以监督的方式训练未经训练的神经网络,以处理来自训练数据集的输入,并将所得的输出与一组预期或期望的输出进行比较。在至少一个实施例中,错误然后通过未经训练的神经网络传播回去。在至少一个实施例中,训练框架调整控制未经训练的神经网络的权重。在至少一个实施例中,训练框架包括用于监视未经训练的神经网络朝着模型(例如,经训练的神经网络)收敛的程度的工具,适于基于已知的输入数据(例如,新数据)生成正确的答案(例如结果)。在至少一个实施例中,训练框架重复训练未经训练的神经网络,同时利用损失函数和调整算法(诸如随机梯度下降)来调整权重以细化未经训练的神经网络的输出。在至少一个实施例中,训练框架训练未经训练的神经网络,直到未经训练的神经网络达到期望的精度为止。在至少一个实施例中,然后可以部署经训练的神经网络来实施任何数量的机器学习操作。
在至少一个实施例中,未经训练的神经网络是使用无监督学习来训练的,其中,未经训练的神经网络尝试使用未标记的数据来训练自身。在至少一个实施例中,无监督学习训练数据集将包括输入数据,而没有任何关联的输出数据或“地面实况”数据。在至少一个实施例中,未经训练的神经网络1106可以学习训练数据集内的分组,并且可以确定各个输入如何与未经训练的数据集相关。在至少一个实施例中,可以使用无监督训练来生成自组织映射,该自组织映射是一种经训练的神经网络,其能够执行对减少新数据的维数有用的操作。在至少一个实施例中,无监督训练也可以用于执行异常检测,其允许识别新数据集中偏离新数据集的正常模式的数据点。
在至少一个实施例中,可以使用半监督学习,这是一种在其中训练包括标记数据和未标记数据的混合的数据集的技术。在至少一个实施例中,训练框架可以用于例如通过转移的学习技术来执行增量学习。在至少一个实施例中,增量学习使经训练的神经网络能够适应新数据,而不会忘记在初始训练过程中注入网络中的知识。
如上所述,越来越多的行业和应用正在利用机器学习。例如,在处理器上开发的深度神经网络(DNN)已用于各种用例,从无人驾驶汽车到更快的药物开发,从用于安全系统的自动图像分析到视频聊天应用程序中的智能实时语言翻译。深度学习是一种模拟人脑的神经学习过程,不断学习、不断变得更聪明并随着时间的推移递送更准确的结果的技术。最初,成年人教孩子如何正确识别和分类各种形状,最终无需任何指导即可识别形状。类似地,将需要对旨在完成类似任务的深度学习或神经学习系统进行训练,以使其在识别基本对象、被遮挡的对象等方面更智能、更高效,同时还为这些对象分配环境。
在最简单的水平上,人脑中的神经元查看接收到的各种输入,将重要性级别分配给这些输入中的每一个,然后将输出传递给其他神经元以对其进行操作。人工神经元或感知器是神经网络的最基本模型。在一个示例中,感知器可以接收表示训练感知器以对其进行识别和分类的对象的各种特征的一个或更多个输入,并且基于该特征在定义对象的形状中的重要性,为这些特征中的每一个分配特定权重。
深度神经网络(DNN)模型包括许多连接的感知器(例如,节点)的多层,可以用大量的输入数据对其进行训练,从而以高精度快速解决复杂的问题。在一个示例中,DNN模型的第一层将汽车的输入图像分解为各个部分,并寻找诸如线条和角度之类的基本图案。第二层组装线条以寻找更高级的图案,例如车轮、挡风玻璃和后视镜。下一层标识车辆的类型,最后几层为输入图像生成标签,以标识特定汽车品牌的模型。一旦训练了DNN,就可以部署该DNN,并将其用于在称为推理的过程中对对象或模式进行识别和分类。推理的示例(DNN从给定输入中提取有用信息的过程)包括识别存入ATM机的支票上的手写数字,识别照片中朋友的图像,提供电影推荐,识别和分类不同类型的汽车、行人,以及无人驾驶汽车中的道路危险,或者几乎实时翻译人类语音。
在训练期间,数据在前向传播阶段流经DNN,直到产生指示对应于输入的标记的预测为止。如果神经网络未正确标记输入,则将分析正确标记和预测标记之间的差异,并在反向传播阶段为每个特征调整权重,直到DNN正确标记训练数据集中的输入和其他输入。训练复杂的神经网络需要大量的并行计算性能,包括支持的浮点乘法和加法。推理的计算密集度少于训练,这是一个对延迟敏感的过程,其中将经训练的神经网络应用于以前从未见过的新输入,以对图像进行分类、翻译语音和推理新信息。
神经网络在很大程度上依赖矩阵数学运算,而复杂的多层网络则需要大量的浮点性能和带宽以提高效率和速度。计算平台拥有数千个处理核心,针对矩阵数学运算进行了优化,并提供数十至数百TFLOPS的性能,可以提供基于深度神经网络的人工智能和机器学习应用程序所需的性能。
图14示出了可用于训练和利用机器学习的示例系统1400的组件。如将要讨论的,可以由可以在单个实体或多个实体的控制下的计算设备和资源或单个计算系统的各种组合来提供各种组件。此外,可以由不同实体触发、发起或请求方面。在至少一个实施例中,可以由与供应商环境1406相关联的供应商来指导对神经网络的训练,而在至少一个实施例中,可以由能够通过客户端设备1402或其他此类资源访问供应商环境的顾客或其他用户来请求训练神经网络。训练数据(或要由经训练的神经网络分析的数据)可以由供应商、用户或第三方内容供应商1424提供。在至少一个实施例中,客户端设备1402可以是车辆或对象,可以代表用户进行导航,例如,该用户可以提交请求和/或接收有助于设备导航的指令。
在该示例中,能够通过至少一个网络1404提交请求以将其接收至供应商环境1406。客户端设备可以是使用户能够生成和发送这样的请求的任何适当的电子和/或计算设备,如可以包括台式计算机、笔记本计算机、计算机服务器、智能手机、平板电脑、游戏机(便携式或其他方式)、计算机处理器、计算逻辑和机顶盒。网络1404可以包括用于发送请求或其他这样的数据的任何适当的网络,例如可以包括因特网、内联网、以太网、蜂窝网络、局域网(LAN)、在节点之间进行直接无线连接的网络等等。
可以将请求接收至接口层1408,在该示例中,该接口层可以将数据转发到训练和推理管理器1410。该管理器可以是包括用于管理与数据或内容相一致的服务和请求的硬件和软件的系统或服务。该管理器可以接收训练神经网络的请求,并且可以将请求的数据提供给训练管理器1412。如果请求未指定,则训练管理器1412可以选择要使用的适当模型或网络,并可以使用相关的训练数据来训练模型。在至少一个实施例中,训练数据可以是从客户端设备1402接收或从第三方供应商1424获得的存储到训练数据存储库1414的一批数据。训练管理器1412可以负责训练数据,例如通过使用本文讨论的基于LARC的方法。网络可以是任何适当的网络,例如递归神经网络(RNN)或卷积神经网络(CNN)。一旦训练了网络并成功评估了网络,就可以将经训练的网络存储到模型存储库1416,例如,其可以存储用于用户、应用程序或服务等的不同模型或网络。如上所述,在至少一个实施例中,针对单个应用程序或实体可能存在多个模型,如可以基于多个不同因素来利用多个模型。
在随后的时间点,可以从客户端设备1402(或另一个这样的设备)接收对至少部分地受经训练的神经网络确定或影响的内容(例如,路径确定)或数据的请求。该请求可以包括例如要使用神经网络处理的输入数据,以获得一个或更多个推理或其他输出值、分类或预测。尽管也可以使用不同的系统或服务,但是输入数据可以被接收至接口层1408并且被引导到推理模块1418。如果尚未本地存储到推理模块1418,则推理模块1418可以从模型存储库1416中获得适当的训练网络,例如本文所述的训练深度神经网络(DNN)。推理模块1418可以将数据作为输入提供给训练网络,然后可以生成一个或更多个推理作为输出。例如,这可以包括输入数据实例的分类。然后可以将推理发送到客户端设备1402以向用户显示或与用户进行其他通信。用户的环境数据也可以存储到用户环境数据存储库1422,该数据库可以包括关于用户的数据,该数据可以用作生成推理或确定获得实例后返回给用户的数据的网络输入。包括输入或推理数据中的至少一部分的相关数据也可以被存储到本地数据库1420以用于处理将来的请求。在至少一个实施例中,用户可以使用帐户或其他信息来访问供应商环境的资源或功能。如果允许和可用,还可以收集用户数据并将其用于进一步训练模型,以便为将来的请求提供更准确的推理。可以通过用户界面接收对在客户端设备1402上执行的机器学习应用1426的请求,并通过相同的界面显示结果。客户端设备可以包括资源,诸如用于生成请求和处理结果或响应的处理器1428和存储器1430,以及用于存储用于机器学习应用程序1426的数据的至少一个数据存储元件1432。
在至少一个实施例中,处理器1428(或训练管理器1412或推理模块1418的处理器)将是中央处理单元(CPU)。但是,如上所述,此类环境中的资源可以利用GPU来处理用于至少某些类型的请求的数据。GPU具有数千个核心,旨在处理大量的并行工作负载,因此在用于训练神经网络和生成预测的深度学习中变得很流行。虽然使用GPU进行离线构建可以更快地训练更大、更复杂的模型,但离线生成预测意味着无法使用请求-时间输入特征,或者必须针对所有特征排列生成预测并将其存储在查找表中以进行服务实时请求。如果深度学习框架支持CPU模式,并且模型足够小且简单以至可以合理的延迟在CPU上执行前馈,则CPU实例上的服务可以托管模型。在这种情况下,可以在GPU上离线进行训练,并在CPU上实时进行推理。如果CPU方法不可行,则服务可以在GPU实例上运行。但是,由于GPU具有与CPU不同的性能和成本特征,因此运行将运行时算法卸载到GPU的服务可能要求将其设计成与基于CPU的服务不同。
图15示出了至少一个实施例中的可用于对数据进行分类或生成推理的示例系统1500。根据本文所包含的教导和建议,应当显而易见的是,也可以针对输入数据生成各种类型的预测、标签或其他输出。此外,可以在本文讨论的至少一个实施例中使用有监督训练和无监督训练。在该示例中,提供一组训练数据1502(例如,分类或标记的数据)作为输入,以用作训练数据。训练数据可以包括针对其要训练神经网络的至少一种类型的对象的实例,以及标识该类型的对象的信息。例如,训练数据可能包括一组图像,每个图像都包含对象类型的表示,其中每个图像还包含标签、元数据、分类或其他标识在各自的图像中表示的对象类型的信息或与之相关联。各种其他类型的数据也可以用作训练数据,并且可以包括文本数据、音频数据、视频数据等。在此示例中,训练数据1502作为训练输入提供给训练管理器1504。训练管理器1504可以是包括硬件和软件的系统或服务,例如执行训练应用程序的一个或更多个计算设备,用于训练神经网络(或其他模型或算法等)。在该示例中,训练管理器1504接收指示要用于训练的模型的类型的指令或请求。模型可以是可用于此类目的的任何适当的统计模型、网络或算法,例如可以包括人工神经网络、深度学习算法、学习分类器、贝叶斯网络等。训练管理器1504可以从适当的存储库1506中选择初始模型或其他未经训练的模型,并利用训练数据1502来训练模型生成可以用于对相似类型的数据进行分类的经训练的模型1508(例如,经训练的深度神经网络),或生成其他此类推理。在不使用训练数据的至少一个实施例中,仍然可以根据训练管理器1504选择适当的初始模型来对输入数据进行训练。
可以以多种不同方式训练模型,这可能部分取决于所选模型的类型。例如,在一个实施例中,可以向机器学习算法提供一组训练数据,其中模型是通过训练过程创建的模型伪像。训练数据的每个实例包含正确答案(例如,分类),其可以被称为目标或目标属性。学习算法在训练数据中找到将输入数据属性映射到目标的模式,要预测的答案,并输出捕获这些模式的机器学习模型。然后可以使用机器学习模型来获得对未指定目标的新数据的预测。
在一个示例中,训练管理器1504可以从一组机器学习模型中进行选择,所述机器学习模型包括二进制分类、多分类和回归模型。要使用的模型的类型可以至少部分取决于要预测的目标的类型。用于二进制分类问题的机器学习模型可预测二进制结果,例如两个可能的类之一。学习算法(诸如逻辑回归)可用于训练二进制分类模型。针对多类别分类问题的机器学习模型允许针对多个类别生成预测,例如预测两个以上结果中的一个。多项式逻辑回归对于训练多类模型可能很有用。回归问题的机器学习模型可预测数值。线性回归对于训练回归模型很有用。
为了训练根据一个实施例的机器学习模型,训练管理器必须确定输入训练数据源以及其他信息,例如包含要预测的目标的数据属性的名称、所需的数据转换指令,以及训练参数以控制学习算法。在训练过程中,训练管理器1504可以基于训练数据源中指定的目标类型自动选择适当的学习算法。机器学习算法可以接受用于控制训练过程和所得机器学习模型的某些属性的参数。这些在本文中称为训练参数。如果未指定任何训练参数,则训练管理器可以利用已知的默认值来很好地处理大范围的机器学习任务。可以为其指定值的训练参数的示例包括最大模型大小、通过训练数据的最多次数、随机播放类型、正则化类型、学习率和正则化量。可以指定默认设置,具有用于调整值以微调性能的选项。
最大模型大小是在训练模型期间创建的模式的总大小(以字节为单位)。默认情况下,可以创建指定大小的模型,例如100MB的模型。如果训练管理器无法确定足够的图案来填充模型大小,则可以创建较小的模型。如果训练管理器发现图案数量超出了指定大小所能容纳的数量,则可以通过修整对学习模型的质量影响最小的图案来强制实施最大截止。选择模型大小可以对模型的预测质量和使用成本之间的权衡进行控制。较小的模型可能会导致训练管理器移除许多模式以适应最大大小限制,从而影响预测的质量。较大的模型查询实时预测的成本可能更高。较大的输入数据集不一定会导致较大的模型,因为模型存储图案而不是输入数据。如果模式少且简单,则生成的模型将很小。具有大量原始属性(输入列)或派生特征(数据转换的输出)的输入数据可能会在训练过程中找到并存储更多图案。
在至少一个实施例中,训练管理器1504可以对训练数据进行多次通过或迭代以尝试发现图案。可以存在默认的通过次数,例如十次,而在至少一个实施例中,可以设置最大通过次数,例如高达一百次通过。在至少一个实施例中,可能没有最大集合,或者可能存在会触发训练过程结束的收敛准则或其他因素集合。在至少一个实施例中,训练管理器1504可以在训练期间监视图案的质量(例如用于模型收敛),并且当没有更多的数据点或图案需要发现时可以自动停止训练。仅具有少量观察结果的数据集可能需要更多的数据遍历才能获得足够高的模型质量。较大的数据集可能包含许多相似的数据点,这可以减少对大量通过的需求。选择更多通过数据的潜在影响是,模型训练可能需要更长的时间,并且在资源和系统利用率方面会花费更多。
在至少一个实施例中,在训练之前或在训练通过之间混洗训练数据。混洗是一种随机或伪随机混洗,用于生成真正的随机排序,尽管可能存在一些约束条件以确保不对某些类型的数据进行分组,或者如果存在这种分组,则可以对混洗的数据进行重新混洗等。混洗改变了将数据用于训练的顺序或安排,以使训练算法不会遇到相似类型的数据的分组或连续太多观察的单一类型数据。例如,可以训练模型来预测对象。上传之前,数据可能会按对象类型排序。然后,算法可以按对象类型按字母顺序处理数据,首先仅遇到特定对象类型的数据。模型将开始学习该类型对象的图案。然后,模型将仅遇到用于第二种对象类型的数据,并将尝试调整模型以适合该对象类型,这可能会使适合第一种对象类型的图案退化。对象类型之间的这种突然切换可能会产生无法学习如何准确预测对象类型的模型。在将训练数据集划分为训练和评估子集之前,可以在至少一个实施例中执行混洗,从而对于两个阶段都利用相对均匀的数据类型分布。在至少一个实施例中,训练管理器1504可以使用例如伪随机混洗技术来自动混洗数据。
在至少一个实施例中,当创建机器学习模型时,训练管理器1504可以使用户能够指定设置或应用定制选项。例如,用户可以指定一个或更多个评估设置,以指示用于评估机器学习模型的预测质量的输入数据的要保留的一部分。用户可以指定策略,其指示哪些属性和属性转换可用于模型训练。用户还可以指定控制训练过程和所得模型的某些属性的各种训练参数。
一旦训练管理者确定完成了模型的训练,例如通过使用本文讨论的至少一个最终标准,就可以提供训练的模型1508,以供分类器1514用于分类(或以其他方式生成推理)验证数据1512。如图所示,这涉及模型的训练模式和模型的推理模式之间的逻辑转换。然而,在至少一个实施例中,经训练的模型1508将首先被传递到评估器1510,该评估器可以包括在用于评估经训练的模型的质量(或其他方面)的至少一个计算资源(例如,至少一个服务器的CPU或GPU)上执行的应用程序、过程或服务。对模型进行评估,以确定该模型在预测新数据和未来数据的目标时是否至少会提供性能的最低的可接受或阈值水平。如果否,则训练管理器1504可以继续训练该模型。由于将来的数据实例通常将具有未知的目标值,因此可能希望在已知目标答案的数据上检查机器学习的准确性度量,并将该评估用作未来数据的预测准确性的代理。
在至少一个实施例中,使用被提供用于训练的训练数据的子集1502来评估模型。可以使用如上所述的混洗和拆分方法来确定该子集。此评估数据子集将标有目标,因此可以充当评估地面实况的资源。使用用于训练的相同数据来评估机器学习模型的预测准确性是没有用的,因为对于记住训练数据而不是对其进行概括的模型可能会产生肯定的评估。一旦训练完成,则使用经训练的模型1508来处理评估数据子集,并且评估器1510可以通过将地面实况数据与该模型的相应输出(或预测/观察)进行比较来确定该模型的准确性。至少一个实施例中的评估器1510可以提供摘要或性能度量,其指示预测值和真实值的匹配程度。如果经训练的模型不满足至少最小性能标准或其他这样的准确性阈值,则可以指示训练管理器1504进行进一步的训练,或者在某些情况下,尝试训练新的或不同的模型。如果经训练的模型1508满足相关标准,则可以提供经训练的模型以供分类器1514使用。
当创建和训练机器学习模型时,在至少一个实施例中可能期望指定将导致能够进行准确预测的模型的模型设置或训练参数。示例参数包括要执行(向前和/或向后)的遍数、正则化或细化、模型大小和混洗类型。但是,如上所述,选择对评估数据产生最佳预测性能的模型参数设置可能会导致模型过度拟合。当模型存储了训练和评估数据源中出现的图案,但未能概括数据中的图案时,就会发生过度拟合。当训练数据包括评估中使用的所有数据时,经常会发生过度拟合。过度拟合的模型在评估期间可能会表现良好,但可能无法对新数据或其他验证数据做出准确的预测。为了避免选择过度拟合的模型作为最佳模型,训练管理器可以保留额外的数据以验证模型的性能。例如,训练数据集可分为60%用于训练,40%用于评估或验证,其可分为两个或更多阶段。在选择了最适合评估数据的模型参数,导致收敛于验证数据的子集(例如该验证数据的一半)之后,可以使用其余的验证数据执行第二次验证,以确保该模型的性能。如果此模型符合验证数据的期望,则此模型不会过度拟合数据。可选地,可以将测试集或保留集用于测试参数。使用第二个验证或测试步骤有助于选择适当的模型参数以防止过度拟合。但是,从训练过程中拿出更多数据进行验证会使可用于训练的数据更少。对于较小的数据集,这可能会出现问题,因为可能没有足够的数据可用于训练。在这种情况下的一种方法是执行交叉验证,如本文其他地方所述。
有许多度量或洞察可用于审查和评估给定模型的预测准确性。一个示例评估结果包含用于报告模型总体成功的预测准确性度量,以及帮助探索模型的准确性超出预测准确性度量的可视化。结果还可以提供查看设置得分阈值(如二进制分类)的影响的能力,并可以生成有关用以检查评估的有效性的标准的警报。度量和可视化的选择可以至少部分取决于要评估的模型的类型。
经过令人满意的训练和评估后,可以使用经训练的机器学习模型来构建或支持机器学习应用程序。在一个实施例中,构建机器学习应用程序是涉及一系列步骤的迭代过程。核心机器学习问题可以根据观察到的内容以及模型要预测的答案来构建。然后可以收集、清理和准备数据,以使其适合于通过机器学习模型训练算法使用的数据。可以对这些数据进行可视化和分析,以进行完整性检查,以验证数据质量和理解数据。原始数据(例如输入变量)和答案数据(例如目标)可能没有以可用于训练高度预测模型的方式表示。因此,可能希望从原始变量构建更具预测性的输入表示或特征。可以将结果特征输入到学习算法中,以构建模型并根据从模型构建中保留的数据评估模型的质量。然后可以使用模型为新数据实例生成目标答案的预测。
在图15的示例性系统1500中,在提供评估之后,将经训练的模型1510提供给分类器1514或使其可用,该分类器能够使用经训练的模型来处理验证数据。例如,这可能包括从用户或未分类的第三方接收到的数据,例如正在查询有关这些图像中所表示内容的信息的查询图像。验证数据可以由分类器使用经训练的模型进行处理,并且可以将产生的结果1516(例如分类或预测)发送回相应的来源,或者进行其他处理或存储。在至少一个实施例中,并且在允许这种使用的情况下,可以将这些目前-分类的数据实例存储到训练数据存储库,可以由训练管理器将其用于经训练的模型1508的进一步训练。在至少一个实施例中,将在新数据可用时对模型进行连续训练,但是在至少一个实施例中,将根据诸如数据集的大小或模型复杂度等因素,定期对这些模型进行训练,例如每天或每周一次。
分类器1514可以包括适当的硬件和软件,用于使用经训练的模型来处理验证数据1512。在某些情况下,分类器将包括一个或更多个计算机服务器,每个服务器具有一个或更多个能够处理数据的图形处理单元(GPU)。GPU的配置和设计可能使它们比CPU或其他此类组件更适合用于处理机器学习数据。可以将至少一个实施例中的经训练的模型加载到GPU存储器中,并且将接收到的数据实例提供给GPU以进行处理。GPU可以具有比CPU多得多的核心,并且GPU核心可以更不复杂。因此,给定的GPU可能能够通过不同的硬件线程同时处理数千个数据实例。GPU也可以配置为最大化浮点吞吐量,这可以为大型数据集提供明显的额外处理优势。
即使在使用GPU、加速器和其他此类硬件来加速诸如模型训练或使用此类模型进行数据分类之类的任务时,此类任务仍可能需要大量时间、资源分配和成本。例如,如果要使用800次通过来训练机器学习模型,并且数据集包括要用于训练的1,000,000个数据实例,则每次通过都需要处理所有百万个实例。架构的不同部分也可以由不同类型的设备支持。例如,可以在逻辑上集中的位置处使用一组服务器来执行训练,如可以作为服务提供的那样,而原始数据的分类可以由这种服务或在客户端设备上以及其他这样的选项来执行。这些设备也可以由同一实体或多个实体拥有、操作或控制。
图16示出了在至少一个实施例中可以被训练或以其他方式利用的示例神经网络1600。在该示例中,统计模型是人工神经网络(ANN),其包括多个节点层,包括输入层1602、输出层1606和中间节点的多个层1604,通常称为“隐藏”层,因为内部层和节点通常在常规神经网络中不可见或不可访问。尽管仅出于解释目的示出了几个中间层,但是应当理解,对可以利用的中间层的数量没有限制,并且对层的任何限制通常将是使用模型处理所需的资源或时间的因素。如本文其他地方所讨论的,除了其他这样的选项之外,还可以使用其他类型的模型、网络、算法或过程,其可以包括节点和层的其他数量或选择。验证数据可以由网络的各层处理以生成一组推理或推理分数,然后可以将其馈送到损失函数1608。
在该示例网络1600中,给定层的所有节点互连到相邻层的所有节点。如图所示,中间层的节点然后将分别连接到两个相邻层的节点。在某些模型中,节点也称为神经元或连接的单元,节点之间的连接称为边缘。每个节点都可以为接收到的输入执行一个功能,例如通过使用指定的功能。节点和边缘可以在训练过程中获得不同的权重,并且节点的各个层可以对接收到的输入执行特定类型的转换,在训练过程中还可以学习或调整这些转换。学习可以是有监督的学习,也可以是无监督的学习,这可能至少部分取决于训练数据集中包含的信息类型。可以利用各种类型的神经网络,例如可以包括卷积神经网络(CNN),所述卷积神经网络(CNN)包括许多卷积层和一组池化层,并已被证明对诸如图像识别的应用程序是有益的。由于要确定的参数数量相对较少,因此CNN比其他网络也更易于训练。
在至少一个实施例中,可以使用各种调整参数来训练这种复杂的机器学习模型。选择参数、拟合模型和评估模型是模型调整过程的一部分,通常称为超参数优化。在至少一个实施例中,这种调整可以包括对基础模型或数据进行内省。在训练或生产设置中,稳健的工作流程对于避免超参数的过度拟合非常重要,如本文其他地方所述。交叉验证和向训练数据集添加高斯噪声是避免对任何一个数据集过度拟合的有用技术。对于超参数优化,可能需要保持训练和验证集固定。在至少一个实施例中,可以在某些类别中调整超参数,例如可以包括数据预处理(例如将单词转换为向量),CNN架构定义(例如,过滤器尺寸、过滤器数量),随机梯度下降(SGD)参数(例如学习率),正则化或精细化(例如丢失概率)以及其他此类选项。
在示例预处理步骤中,可以将数据集的实例嵌入到特定大小的较低维空间中。该空间的大小是要调整的参数。CNN的架构包含许多可调参数。过滤器尺寸的参数可以表示信息的解释,该信息与将要分析的实例的大小相对应。在计算语言学中,这称为n-gram大小。示例CNN使用三种不同的过滤器尺寸,它们代表了可能不同的n-gram大小。每个过滤器尺寸的过滤器数量可以对应于过滤器的深度。每个过滤器都尝试学习与实例结构不同的内容,例如文本数据的句子结构。在卷积层中,激活函数可以是整流线性单位,并且池类型设置为最大池。然后可以将结果串联到一维向量中,最后一层完全连接到二维输出上。这对应于可以应用优化功能的二进制分类。一种这样的功能是梯度下降的均方根(RMS)传播方法的实现,其中示例超参数可以包括学习率、批处理大小、最大梯度法线和历元。神经网络、正则化可能是一个非常重要的考虑因素。在至少一个实施例中,输入数据可以是相对稀疏的。在这种情况下,主要的超参数可能是倒数第二层的丢失,这表示一定比例的节点在每个训练周期不会“触发”。示例训练过程可以基于对先前配置的性能的反馈来建议不同的超参数配置。可以使用建议的配置来训练该模型,可以在指定的验证集上进行评估,并可以进行性能报告。可以重复此过程,例如权衡探索(了解更多有关不同配置的信息)和开发(利用先前的知识以获得更好的结果)。
由于训练CNN可以并行化并且可以利用GPU支持的计算资源,因此可以针对不同场景尝试多种优化策略。复杂的场景允许调整模型架构和预处理以及随机梯度下降参数。这扩展了模型配置空间。在基本情况下,仅调整预处理和随机梯度下降参数。与基本方案相比,在复杂方案中可以有更多的配置参数。可以使用线性或指数步数执行关节空间的调整,并通过模型的优化循环进行迭代。这样的调整过程的成本可以大大低于诸如随机搜索和网格搜索之类的调整过程,而不会造成任何明显的性能损失。
在至少一个实施例中,可以使用反向传播来计算用于确定神经网络的权重的梯度。反向传播是微分的一种形式,如上所述,可以使用梯度下降优化算法来调整应用于各种节点或神经元的权重。可以使用相关损失函数的梯度来确定权重。反向传播可以利用损失函数对统计模型生成的输出的导数。如上所述,各个节点可以具有定义各个节点的输出的关联激活功能。可以适当地使用各种激活函数,如可以包括径向基函数(RBF)和Sigmoid函数,它们可以被各种支持向量机(SVM)用于数据转换。节点的中间层的激活函数在本文中被称为内部积核心。这些函数可以包括,例如,标识函数、阶梯函数、Sigmoid函数、斜坡函数等等。激活函数也可以是线性的或非线性的,以及其他此类选项。
推理和训练逻辑
图17A示出了用于执行与一个或更多个实施例相关联的推理和/或训练操作的推理和/或训练逻辑1715。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。
在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于代码和/或数据存储器1701,以存储前向和/或输出权重和/或输入/输出数据和/或其他参数以在一个或更多个实施例的方面中配置用于训练和/或用于推理的神经网络的神经元或层。在至少一个实施例中,训练逻辑1715可以包括或耦合到代码和/或数据存储器1701以存储图形代码或其他软件以控制时序和/或顺序,在其中加载权重和/或其他参数信息以配置包括整数和/或浮点单元(统称为算术逻辑单元(ALU))的逻辑。在至少一个实施例中,代码(诸如图形代码)基于神经网络的架构将权重或其他参数信息加载到处理器ALU中。在至少一个实施例中,代码和/或数据存储器1701存储在使用一个或更多个实施例的方面的训练和/或推理期间的输入/输出数据和/或权重参数的正向传播期间结合一个或更多个实施例训练或使用的神经网络的每一层的权重参数和/或输入/输出数据。在至少一个实施例中,代码和/或数据存储器1701的任何部分都可以包括在其他片上或片外数据存储内,包括处理器的L1、L2或L3高速缓存或系统存储器。
在至少一个实施例中,代码和/或数据存储器1701的任何部分可以在一个或更多个处理器或其他硬件逻辑设备或电路的内部或外部。在至少一个实施例中,代码和/或代码和/或数据存储1701可以是高速缓冲存储器、动态随机可寻址存储器(“DRAM”)、静态随机可寻址存储器(“SRAM”)、非易失性存储器(例如闪存)或其他存储器。在至少一个实施例中,对代码和/或编码和/或数据存储1701是处理器的内部还是外部的选择,例如,或者由DRAM、SRAM、闪存或某种其他存储类型组成,可以取决于存储片上或片外的可用存储空间,正在执行训练和/或推理功能的延迟要求,在神经网络的推理和/或训练中使用的数据批量大小或这些因素的某种组合。
在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于代码和/或数据存储器1705,以存储与神经元或层相对应的向后和/或输出权重和/或输入/输出数据,对应于一个或更多个实施例的方面中训练和/或用于推理的神经网络的神经元或层。在至少一个实施例中,代码和/或数据存储器1705存储使用一个或更多个实施例的各方面在训练和/或推理期间的输入/输出数据和/或权重参数在向后传播期间与一个或更多个实施例一起训练或使用的神经网络的每一层的权重参数和/或输入/输出数据。在至少一个实施例中,训练逻辑1715可以包括或耦合到代码和/或数据存储器1705以存储图形代码或其他软件以控制时序和/或顺序,在其中加载权重和/或其他参数信息将在以配置包括整数和/或浮点单元(统称为算术逻辑单元(ALU))的逻辑、。在至少一个实施例中,代码(诸如图形代码)基于该代码对应的神经网络的架构将权重或其他参数信息加载到处理器ALU中。在至少一个实施例中,代码和/或数据存储器1705的任何部分可以与其他片上或片外数据存储器一起包括,包括处理器的L1、L2或L3高速缓存或系统存储器。在至少一个实施例中,代码和/或数据存储器1705的任何部分可以在一个或更多个处理器或其他硬件逻辑设备或电路上的内部或外部。在至少一个实施例中,数据存储1705可以是高速缓存存储器、DRAM、SRAM、非易失性存储器(例如闪存)或其他存储器。在至少一个实施例中,代码和/或数据存储1705是处理器的内部还是外部的选择,例如,是由DRAM、SRAM、闪存还是其他某种存储类型组成,取决于可用存储是片上还是片外,正在执行的训练和/或推理功能的延迟要求,在神经网络的推理和/或训练中使用的数据批量大小或这些因素的某种组合。
在至少一个实施例中,代码和/或数据存储器1701以及代码和/或数据存储器1705可以是分开的存储结构。在至少一个实施例中,代码和/或数据存储器1701以及代码和/或数据存储器1705可以是相同的存储结构。在至少一个实施例中,代码和/或数据存储器1701以及代码和/或数据存储器1705可以是部分相同的存储结构和部分分离的存储结构。在至少一个实施例中,代码和/或数据存储器1701和代码和/或数据存储器1705的任何部分可以与其他片上或片外数据存储器包括在一起,包括处理器的L1、L2或L3高速缓存或系统存储器。
在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于一个或更多个算术逻辑单元(“ALU”)1710,包括整数和/或浮点单元,以至少部分地基于训练和/或推理代码(例如,图形代码)或由其指示来执行逻辑和/或数学运算,其结果可能会产生(例如,来自神经网络内部的层或神经元的输出值)存储在激活存储器1720中的激活,其是存储在代码和/或数据存储器1701和/或代码和/或数据存储器1705中的输入/输出和/或权重参数数据的函数。在至少一个实施例中,激活响应于执行指令或其他代码,由ALU 1710执行的线性代数和/或基于矩阵的数学生成在激活存储器1720中存储的激活,其中存储在代码和/或数据存储1705中和/或代码和/或将数据存储1701的权重值用作具有其他值的操作数,例如偏置值、梯度信息、动量值或其他参数或超参数,可以将任何或所有这些存储在代码和/或数据存储1705或代码和/或数据存储1701其他片上或片外存储器中。
在至少一个实施例中,一个或更多个处理器或其他硬件逻辑设备或电路中包括一个或更多个ALU 1710,而在另一实施例中,一个或更多个ALU 1710可以在处理器或其他硬件逻辑设备或使用它们(例如协处理器)的电路外。在至少一个实施例中,可以将一个或更多个ALU 1710包括在处理器的执行单元之内,或者以其他方式包括在由处理器的执行单元可访问的ALU组中,该处理器的执行单元可以在同一处理器内或者分布在不同类型的不同处理器之间(例如,中央处理单元、图形处理单元、固定功能单元等)。在至少一个实施例中,代码和/或数据存储器1701,代码和/或数据存储器1705以及激活存储器1720可以在同一处理器或其他硬件逻辑设备或电路上,而在另一实施例中,它们可以在不同的处理器或其他硬件逻辑设备或电路或相同和不同处理器或其他硬件逻辑设备或电路的某种组合中。在至少一个实施例中,激活存储器1720的任何部分可以与其他片上或片外数据存储器包括在一起,包括处理器的L1、L2或L3高速缓存或系统存储器。此外,推理和/或训练代码可以与处理器或其他硬件逻辑或电路可访问的其他代码一起存储,并可以使用处理器的提取、解码、调度、执行、退出和/或其他逻辑电路来提取和/或处理。
在至少一个实施例中,激活存储器1720可以是高速缓冲存储器、DRAM、SRAM、非易失性存储器(例如,闪存)或其他存储器。在至少一个实施例中,激活存储器1720可以完全地或部分地在一个或更多个处理器或其他逻辑电路内部或外部。在至少一个实施例中,可以取决于片上或片外可用的存储器,进行训练和/或推理功能的延迟要求,在推理和/或训练神经网络中使用的数据的批量大小或这些因素的某种组合,选择激活存储器1720是处理器的内部还是外部,例如,或者包含DRAM、SRAM、闪存或其他存储器类型,。在至少一个实施例中,图17A中所示的推理和/或训练逻辑1715可以与专用集成电路(“ASIC”)结合使用,例如来自Google的处理单元、来自GraphcoreTM的推理处理单元(IPU)或来自Intel Corp的(例如“Lake Crest”)处理器。在至少一个实施例中,图17A所示的推理和/或训练逻辑1715可与中央处理单元(“CPU”)硬件,图形处理单元(“GPU”)硬件或其他硬件(例如现场可编程门阵列(“FPGA”))结合使用。
图17B示出了根据至少一个或更多个实施例的推理和/或训练逻辑1715。在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于硬件逻辑,其中计算资源被专用或以其他方式唯一地连同对应于神经网络内的一层或更多层神经元的权重值或其他信息一起使用。在至少一个实施例中,图17B中所示的推理和/或训练逻辑1715可以与专用集成电路(ASIC)结合使用,例如来自Google的处理单元,来自GraphcoreTM的推理处理单元(IPU)或来自Intel Corp的(例如“Lake Crest”)处理器。在至少一个实施例中,图17B中所示的推理和/或训练逻辑1715可以与中央处理单元(CPU)硬件、图形处理单元(GPU)硬件或其他硬件(例如现场可编程门阵列(FPGA))结合使用。在至少一个实施例中,推理和/或训练逻辑1715包括但不限于代码和/或数据存储器1701以及代码和/或数据存储器1705,其可以用于存储代码(例如,图形代码)、权重值和/或其他信息,包括偏置值、梯度信息、动量值和/或其他参数或超参数信息。在图17B中所示的至少一个实施例中,代码和/或数据存储器1701以及代码和/或数据存储器1705中的每一个都分别与专用的计算资源(例如计算硬件1702和计算硬件1706)相关联,。在至少一个实施例中,计算硬件1702和计算硬件1706中的每一个包括一个或更多个ALU,这些ALU仅分别对存储在代码和/或数据存储器1701和代码和/或数据存储器1705中的信息执行数学函数(例如线性代数函数),执行函数的结果被存储在激活存储器1720中。
在至少一个实施例中,代码和/或数据存储器1701和1705以及相应的计算硬件1702和1706中的每一个分别对应于神经网络的不同层,使得从代码和/或数据存储器1701和计算硬件1702的一个“存储/计算对1701/1702”得到的激活提供作为代码和/或数据存储1705和计算硬件1706的“存储/计算对1705/1706”的输入,以便反映神经网络的概念组织。在至少一个实施例中,每个存储/计算对1701/1702和1705/1706可以对应于一个以上的神经网络层。在至少一个实施例中,在推理和/或训练逻辑1715中可以包括在存储计算对1701/1702和1705/1706之后或与之并行的附加存储/计算对(未示出)。
数据中心
图18示出了示例数据中心1800,其中可以使用至少一个实施例。在至少一个实施例中,数据中心1800包括数据中心基础设施层1810、框架层1820、软件层1830和应用层1840。
在至少一个实施例中,如图18所示,数据中心基础设施层1810可以包括资源协调器1812、分组的计算资源1814和节点计算资源(“节点C.R.s”)1816(1)-1816(N),其中“N”代表任何完整的正整数。在至少一个实施例中,节点CR 1816(1)-1816(N)可以包括但不限于任何数量的中央处理单元(“CPU”)或其他处理器(包括加速器、现场可编程门阵列(FPGA)、图形处理器等),内存设备(例如动态只读存储器),存储器设备(例如固态硬盘或磁盘驱动器),网络输入/输出(“NW I/O”)设备,网络交换机,虚拟机(“VM”),电源模块和冷却模块等。在至少一个实施例中,节点C.R.1816(1)-1816(N)中的一个或更多个节点C.R.可以是具有一个或更多个上述计算资源的服务器。
在至少一个实施例中,分组的计算资源1814可以包括容纳在一个或更多个机架内的节点C.R.的单独分组(未示出),或者容纳在各个地理位置的数据中心内的许多机架(也未示出)。分组的计算资源1814内的节点C.R.的单独分组可以包括可以被配置或分配为支持一个或更多个工作负载的分组的计算、网络、内存或存储器资源。在至少一个实施例中,可以将包括CPU或处理器的几个节点C.R.分组在一个或更多个机架内,以提供计算资源来支持一个或更多个工作负载。在至少一个实施例中,一个或更多个机架还可以包括任何数量的电源模块、冷却模块和网络交换机,以任意组合。
在至少一个实施例中,资源协调器1812可以配置或以其他方式控制一个或更多个节点C.R.1816(1)-1816(N)和/或分组的计算资源1814。在至少一个实施例中,资源协调器1812可以包括用于数据中心1800的软件设计基础结构(“SDI”)管理实体。在至少一个实施例中,资源协调器可以包括硬件、软件或其某种组合。
在至少一个实施例中,如图18所示,框架层1820包括作业调度器1822、配置管理器1824、资源管理器1826和分布式文件系统1828。在至少一个实施例中,框架层1820可以包括支持软件层1830的软件1832和/或应用程序层1840的一个或更多个应用程序1842的框架。在至少一个实施例中,软件1832或应用程序1842可以分别包括基于Web的服务软件或应用程序,例如由Amazon Web Services,Google Cloud和Microsoft Azure提供的服务或应用程序。在至少一个实施例中,框架层1820可以是但不限于一种免费和开放源软件网络应用框架,例如可以利用分布式文件系统1828来进行大范围数据处理(例如“大数据”)的ApacheSparkTM(以下称为“Spark”)。在至少一个实施例中,作业调度器1822可以包括Spark驱动器,以促进对数据中心1800的各个层所支持的工作负载进行调度。在至少一个实施例中,配置管理器1824可以能够配置不同的层,例如软件层1830和包括Spark和用于支持大规模数据处理的分布式文件系统1828的框架层1820。在至少一个实施例中,资源管理器1826能够管理映射到或分配用于支持分布式文件系统1828和作业调度器1822的集群或分组计算资源。在至少一个实施例中,集群或分组计算资源可以包括数据中心基础设施层1810上的分组的计算资源1814。在至少一个实施例中,资源管理器1826可以与资源协调器1812协调以管理这些映射的或分配的计算资源。
在至少一个实施例中,包括在软件层1830中的软件1832可以包括由节点C.R.1816(1)-1816(N)的至少一部分,分组计算资源1814和/或框架层1820的分布式文件系统1828使用的软件。一种或更多种类型的软件可以包括但不限于Internet网页搜索软件、电子邮件病毒扫描软件、数据库软件和流视频内容软件。
在至少一个实施例中,应用层1840中包括的应用程序1842可以包括由节点C.R.1816(1)-1816(N)的至少一部分、分组的计算资源1814和/或框架层1820的分布式文件系统1828使用的一种或更多种类型的应用程序。一种或更多种类型的应用程序可以包括但不限于任何数量的基因组学应用程序,认知计算和机器学习应用程序,包括训练或推理软件,机器学习框架软件(例如PyTorch、TensorFlow、Caffe等)或其他与一个或更多个实施例结合使用的机器学习应用程序。
在至少一个实施例中,配置管理器1824、资源管理器1826和资源协调器1812中的任何一个可以基于以任何技术上可行的方式获取的任何数量和类型的数据来实现任何数量和类型的自我修改动作。在至少一个实施例中,自我修改动作可以减轻数据中心1800的数据中心操作员做出可能不好的配置决定并且可以避免数据中心的未充分利用和/或执行差的部分。
在至少一个实施例中,数据中心1800可以包括工具、服务、软件或其他资源,以根据本文所述的一个或更多个实施例来训练一个或更多个机器学习模型或者使用一个或更多个机器学习模型来预测或推理信息。例如,在至少一个实施例中,可以通过使用上文关于数据中心1800描述的软件和计算资源,根据神经网络架构通过计算权重参数来训练机器学习模型。在至少一个实施例中,通过使用通过本文所述的一种或更多种训练技术计算出的权重参数,可以使用上面与关于数据中心1800所描述的资源,使用对应于一个或更多个神经网络的经训练的机器学习模型来推理或预测信息。
在至少一个实施例中,数据中心可以使用CPU、专用集成电路(ASIC)、GPU、FPGA或其他硬件来使用上述资源来执行训练和/或推理。此外,上述的一个或更多个软件和/或硬件资源可以配置成一种服务,以允许用户训练或执行信息推理,例如图像识别、语音识别或其他人工智能服务。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图18中使用,至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
自主车辆
图19A示出了根据至少一个实施例的自主车辆1900的示例。在至少一个实施例中,自主车辆1900(在本文中可替代地称为“车辆1900”)可以是但不限于客运车辆,例如汽车、卡车、公共汽车和/或可容纳一个或更多个乘客的另一种类型的车辆。在至少一个实施例中,车辆1a00可以是用于拖运货物的半牵引车-拖车。在至少一个实施例中,车辆1a00可以是飞机、机器人车辆或其他类型的车辆。
可以根据由美国运输部下属的国家公路交通安全管理局(“NHTSA”)和汽车工程师学会(“SAE”)“与用于道路机动车辆的驾驶自动化系统有关的术语(Taxonomy andDefinitions for Terms Related to Driving Automation Systems for On-Road MotorVehicles)”(例如,于2018年6月15日发布的标准号J3016-201806,于2016年9月30日发布的标准号J3016-201609,以及该版本的以前和将来的版本此标准)定义的自动化级别来描述自动驾驶汽车。在一个或更多个实施例中,车辆1900可能能够根据自动驾驶级别的级别1至级别5中的一个或更多个来进行功能。例如,在至少一个实施例中,根据实施例,车辆1900可能能够进行条件自动化(等级3)、高度自动化(等级4)和/或全自动(等级5)。
在至少一个实施例中,车辆1900可以包括但不限于组件,诸如底盘、车身、车轮(例如2、4、6、8、18等)、轮胎、车轴和车辆的其他组件。在至少一个实施例中,车辆1900可以包括但不限于推进系统1950,例如内燃机、混合动力装置、全电动发动机和/或另一种推进系统类型。在至少一个实施例中,推进系统1950可以连接至车辆1900的传动系,其可以包括但不限于变速器,以使得能够对车辆1900进行推进。在至少一个实施例中,可以响应于从油门/加速器1952接收信号以控制推进系统1950。
在至少一个实施例中,当推进系统1950正在运行时(例如,当车辆行驶时),转向系统1954(其可以包括但不限于方向盘)用于使车辆1900转向(例如,沿着期望的路径或路线)。在至少一个实施例中,转向系统1954可以从转向致动器1956接收信号。方向盘对于全自动化(5级)功能可以是可选的。在至少一个实施例中,制动传感器系统1946可以用于响应于从制动致动器1948和/或制动传感器接收到的信号来操作车辆制动器。
在至少一个实施例中,控制器1936可以包括但不限于一个或更多个片上系统(“SoC”)(图19A中未示出)和/或图形处理单元(“GPU”)向车辆1900的一个或更多个组件和/或系统提供信号(例如,代表命令)。例如,在至少一个实施例中,控制器1936可以发送信号以通过制动致动器1948操作车辆制动,通过转向致动器1956操作转向系统1954,和/或通过节气门/加速器1952操作推进系统1950。控制器1936可以包括一个或更多个机载(例如,集成)计算设备(例如,超级计算机),其处理传感器信号并输出操作命令(例如,表示命令的信号)以实现自动驾驶和/或协助驾驶员驾驶车辆1900。在至少一个实施例中,控制器1936可以包括用于自动驾驶功能的第一控制器1936,用于功能安全功能的第二控制器1936,用于人工智能功能(例如计算机视觉)的第三控制器1936,用于信息娱乐功能的第四控制器1936,用于紧急情况下的冗余的第五控制器1936和/或其他控制器。在至少一个实施例中,单个控制器1936可以处理上述功能中的两个或更多个,两个或更多控制器1936可以处理单个功能和/或其任何组合。
在至少一个实施例中,控制器1936响应于从一个或更多个传感器(例如,传感器输入)接收到的传感器数据,提供用于控制车辆1900的一个或更多个组件和/或系统的信号。在至少一个实施例中,传感器数据可以从传感器接收,传感器类型例如但不限于全球导航卫星系统(“GNSS”)传感器1958(例如,全球定位系统传感器)、RADAR传感器1960、超声波传感器1962、LIDAR传感器1964、惯性测量单元(IMU)传感器1966(例如,加速度计、陀螺仪、磁罗盘、磁力计等)、麦克风1996、立体声相机1968、广角相机1970(例如鱼眼相机)、红外相机1972、环绕相机1974(例如,360度相机)、远程相机(图19A中未示出)、中程相机(图19A中未示出)、速度传感器1944(例如,用于测量车辆1900的速度)、振动传感器1942、转向传感器1940、制动传感器(例如,作为制动传感器系统1946的一部分)和/或其他传感器类型接收。
在至少一个实施例中,一个或更多个控制器1936可以从车辆1900的仪表板1932接收输入(例如,由输入数据表示)并通过人机界面(“HMI”)显示器1934、声音信号器、扬声器和/或车辆1900的其他组件提供输出(例如,由输出数据、显示数据等表示)。在至少一个实施例中,输出可包括信息,诸如车速、速度、时间、地图数据(例如,高清晰度地图(图19A中未显示)、位置数据(例如,车辆1900的位置,例如在地图上)、方向、其他车辆的位置(例如,占用光栅)、关于对象的信息以及由控制器1936感知到的对象的状态等。例如,在至少一个实施例中,HMI显示器1934可以显示关于一个或更多个对象的存在的信息(例如,路牌、警告标志、交通信号灯变更等)和/或有关驾驶操作车辆已经、正在或将要制造的信息(例如,现在改变车道、在两英里内驶出34B出口等)。
在至少一个实施例中,车辆1900进一步包括网络接口1924,其可以使用无线天线1926和/或调制解调器通过一个或更多个网络进行通信。例如,在至少一个实施例中,网络接口1924可能能够通过长期演进(“LTE”)、宽带码分多址(“WCDMA”)、通用移动电信系统(“UMTS”)、全球移动通信系统(“GSM”)、IMT-CDMA多载波(“CDMA2000”)等进行通信。在至少一个实施例中,无线天线1926还可以使用局域网(例如Bluetooth、Bluetooth Low Energy(LE)、Z-Wave、ZigBee等)和/或低功耗广域网(以下简称“LPWAN”)(例如LoRaWAN、SigFox等),使环境中的对象(例如,车辆、移动设备)之间进行通信。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图19A中用于至少部分地基于使用神经网络训练操作\神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图19B示出了根据至少一个实施例的图19A的自主车辆1900的相机位置和视野的示例。在至少一个实施例中,相机和各自的视野是一个示例实施例,并且不旨在进行限制。例如,在至少一个实施例中,可以包括附加的和/或替代的相机和/或相机可以位于车辆1900上的不同位置。
在至少一个实施例中,用于相机的相机类型可以包括但不限于可以适于与车辆1900的组件和/或系统一起使用的数字相机。在至少一个实施例中,一种或更多种相机可以以汽车安全完整性等级(“ASIL”)B和/或其他ASIL进行操作。在至少一个实施例中,根据实施例,相机类型可以具有任何图像捕获速率,例如每秒60帧(fps)、120fps、240fps等。在至少一个实施例中,相机可以能够使用滚动快门、全局快门、另一种类型的快门或其组合。在至少一个实施例中,滤色器阵列可以包括红色透明的透明(“RCCC”)滤色器阵列、红色透明的透明蓝色(“RCCB”)滤色器阵列、红色蓝色绿色透明(“RBGC”)滤色器阵列、Foveon X3滤色器阵列、拜耳(Bayer)传感器(“RGGB”)滤色器阵列、单色传感器滤色器阵列和/或其他类型的滤色器阵列。在至少一个实施例中,可以使用透明像素相机,例如具有RCCC、RCCB和/或RBGC滤色器阵列的相机,以努力提高光敏性。
在至少一个实施例中,一个或更多个相机可以用于执行先进驾驶员辅助系统(“ADAS”)功能(例如,作为冗余或故障安全设计的一部分)。例如,在至少一个实施例中,可以安装多功能单声道相机以提供包括车道偏离警告、交通标志辅助和智能大灯控制的功能。在至少一个实施例中,一个或更多个相机(例如,所有相机)可以同时记录并提供图像数据(例如,视频)。
在至少一个实施例中,可以将一个或更多个相机安装在安装组件中,例如定制设计的(三维(“3D”)打印的)组件,以便切出杂散光和来自在汽车内的反光(例如,仪表板的反射在挡风玻璃镜中反光),其可能会干扰相机的图像数据捕获能力。关于后视镜安装组件,在至少一个实施例中,后视镜组件可以是3D打印定制的,使得相机安装板匹配后视镜的形状。在至少一个实施例中,相机可以被集成到后视镜中。对于侧视相机,在至少一个实施例中,相机也可以集成在舱室的每个角落的四个支柱内。
在至少一个实施例中,具有包括车辆1900前面的环境的部分的视野的相机(例如,前向相机)可以用于环视,以及在一个或更多个控制器1936和/或控制SoC的帮助下帮助识别向前的路径和障碍物,,从而提供对于生成占用网格和/或确定优选的车辆路径至关重要的信息。在至少一个实施例中,前向相机可以用于执行许多与LIDAR相同的ADAS功能,包括但不限于紧急制动、行人检测和避免碰撞。在至少一个实施例中,前向相机也可以用于ADAS功能和系统,包括但不限于车道偏离警告(“LDW”)、自动巡航控制(“ACC”)和/或其他功能(例如交通标志识别)。
在至少一个实施例中,各种相机可以用于前向配置,包括例如包括CMOS(“互补金属氧化物半导体”)彩色成像器的单目相机平台。在至少一个实施例中,广角相机1970可以用于感知从外围进入的对象(例如,行人、过马路或自行车)。尽管在图19B中仅示出了一个广角相机1970,但是,在其他实施例中,车辆1900上可以有任何数量(包括零)的广角相机1970。在至少一个实施例中,任何数量的远程相机1998(例如,远程立体相机对)可用于基于深度的对象检测,尤其是对于尚未训练神经网络的对象。在至少一个实施例中,远程相机1998也可以用于对象检测和分类以及基本对象跟踪。
在至少一个实施例中,任何数量的立体声相机1968也可以包括在前向配置中。在至少一个实施例中,一个或更多个立体声相机1968可以包括集成控制单元,该集成控制单元包括可缩放处理单元,该可缩放处理单元可以提供可编程逻辑(“FPGA”)和具有单个芯片上集成的控制器局域网(“CAN”)或以太网接口的多核心微处理器。在至少一个实施例中,这样的单元可以用于生成车辆1900的环境的3D地图,包括对图像中所有点的距离估计。在至少一个实施例中,一个或更多个立体相机1968可以包括但不限于紧凑型立体视觉传感器,其可以包括但不限于两个相机镜头(左右分别一个)和一个图像处理芯片,其可以测量从车辆1900到目标对象的距离并使用所生成的信息(例如,元数据)来激活自主紧急制动和车道偏离警告功能。在至少一个实施例中,除了本文所述的那些之外,还可以使用其他类型的立体相机1968。
在至少一个实施例中,具有包括车辆1900侧面的环境的一部分的视野的相机(例如,侧视相机)可以用于环绕查看,从而提供用于创建和更新占据网格的信息,以及产生侧面碰撞警告。例如,在至少一个实施例中,环绕相机1974(例如,如图19B所示的四个环绕相机1974)可以定位在车辆1900上。在至少一个实施例中,环绕相机1974可以包括但不限于,广角相机1970、鱼目镜头、360度相机和/或类似物的任意数量和组合。例如,在至少一个实施例中,四个鱼目镜头相机可以位于车辆1900的前、后和侧面。在至少一个实施例中,车辆1900可以使用三个环绕相机1974(例如,左、右和后面),并且可以利用一个或更多个其他相机(例如,前向相机)作为第四个环视相机。
在至少一个实施例中,具有包括车辆1900后方的环境的一部分的视野的相机(例如,后视相机)可以用于停车辅助、环视、后方碰撞警告、以及创建和更新占用光栅。在至少一个实施例中,可以使用各种各样的相机,包括但不限于还适合作为前向相机的相机(例如,远程相机1998和/或中程相机1976、立体相机1968、红外相机1972等),如本文所述。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以用于图19B的系统中,以至少部分地基于使用本文所述的神经网络训练操作、神经网络功能和/或架构、或神经网络用例计算出的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图19C示出了根据至少一个实施例的图19A的自主车辆1900的示例系统架构的框图。在至少一个实施例中,图19C中的车辆1900的一个或更多个组件、一个或更多个特征和一个或更多个系统中的每一个都示出为经由总线1902连接。在至少一个实施例中,总线1902可包括但不限于CAN数据接口(在本文中可替代地称为“CAN总线”)。在至少一个实施例中,CAN总线可以是车辆1900内部的网络,用于帮助控制车辆1900的各种特征和功能,例如制动器的致动、加速、制动、转向、雨刷等。在一个实施例中,总线1902可以配置成具有数十个甚至数百个节点,每个节点具有其自己的唯一标识符(例如,CAN ID)。在至少一个实施例中,可以读取总线1902以找到方向盘角度、地面速度、发动机每分钟转动次数(“RPM”)、按钮位置和/或其他车辆状态指示器。在至少一个实施例中,总线1902可以是符合ASIL B的CAN总线。
在至少一个实施例中,除了CAN之外或来自CAN,可使用FlexRay和/或以太网(Ethernet)。在至少一个实施例中,可以有任意数量的总线1902,其可以包括但不限于零或更多的CAN总线,零或更多的FlexRay总线,零或更多的以太网总线,和/或零或更多的使用其他协议的其他类型的总线。在至少一个实施例中,两个或更多个总线1902可以用于执行不同的功能,和/或可以用于冗余。例如,第一总线1902可以用于碰撞避免功能,并且第二总线1902可以用于致动控制。在至少一个实施例中,每个总线1902可以与车辆1900的任何组件通信,并且两个或更多个总线1902可以与相同的组件通信。在至少一个实施例中,任何数量的片上系统(“SoC”)1904中的每一个,控制器1936中的每一个和/或车辆内的每个计算机都可以访问相同的输入数据(例如,来自车辆1900的传感器的输入),并且可以连接到公共总线,例如CAN总线。
在至少一个实施例中,车辆1900可以包括一个或更多个控制器1936,诸如本文关于图19A所描述的那些。控制器1936可以用于多种功能。在至少一个实施例中,控制器1936可以耦合到车辆1900的各种其他组件和系统中的任何一个,并且可以用于控制车辆1900、车辆1900的人工智能、车辆1900的信息娱乐等。
在至少一个实施例中,车辆1900可以包括任何数量的SoC 1904。SoC 1904中的每一个可以包括但不限于中央处理单元(“CPU”)1906、图形处理单元(“GPU”)1908、处理器1910、高速缓存1912、加速器1914、数据存储1916和/或其他未显示的组件和特征。在至少一个实施例中,SoC 1904可以用于在各种平台和系统中控制车辆1900。例如,在至少一个实施例中,SoC 1904可以与高清晰度(“HD”)地图1922在系统(例如,车辆1900的系统)中组合,该高清晰度地图1922可以经由网络接口1924从一个或更多个服务器(图19C中未示出)获得地图刷新和/或更新。。
在至少一个实施例中,CPU 1906可以包括CPU集群或CPU复合体(在本文中可替代地称为“CCPLEX”)。在至少一个实施例中,CPU 1906可以包括多个核心和/或二级(“L2”)高速缓存。例如,在至少一个实施例中,CPU 1906可以在相互耦合的多处理器配置中包括八个核心。在至少一个实施例中,CPU 1906可以包括四个双核心集群,其中每个集群具有专用的L2高速缓存(例如,2MB L2高速缓存)。在至少一个实施例中,CPU 1906(例如,CCPLEX)可以配置成支持同时的集群操作,使得CPU 1906的集群的任何组合在任何给定的时间都可以是活跃的。
在至少一个实施例中,一个或更多个CPU 1906可以实现电源管理功能,这些功能包括但不限于以下特征中的一个或更多个:空闲时可以自动对各个硬件模块进行时钟门控以节省动态功率;当核心由于执行等待中断(“WFI”)/事件等待(“WFE”)指令而未主动执行指令时,可以对每个核心时钟进行门控;每个核心都可以独立供电;当所有核心都被时钟门控或功率门控时,每个核心集群可以被独立地时钟门控;和/或当所有核心都被功率门控时,每个核心集群可以被独立地功率门控。在至少一个实施例中,CPU 1906可以进一步实现用于管理功率状态的增强算法,其中指定了允许的功率状态和预期的唤醒时间,并且硬件/微码确定了针对核心、集群和CCPLEX输入的最佳功率状态。在至少一个实施例中,处理核心可以在软件中支持简化的功率状态输入序列,其中工作被分担给微码。
在至少一个实施例中,GPU 1908可以包括集成的GPU(在本文中或者称为“iGPU”)。在至少一个实施例中,GPU 1908可以是可编程的,并且对于并行工作负载可以是有效的。在至少一个实施例中,GPU 1908,在至少一个实施例中,可以使用增强的张量指令集。在至少一个实施例中,GPU 1908可以包括一个或更多个流式微处理器,其中每个流式微处理器可以包括一级(“L1”)高速缓存(例如,具有至少96KB的存储容量的L1高速缓存),以及两个或更多个流式微处理器可以共享L2高速缓存(例如,具有512KB存储容量的L2高速缓存)。在至少一个实施例中,GPU 1908可以包括至少八个流式微处理器。在至少一个实施例中,GPU1908可以使用计算应用程序编程接口(API)。在至少一个实施例中,GPU 1908可以使用一个或更多个并行计算平台和/或编程模型(例如,NVIDIA的CUDA)。
在至少一个实施例中,一个或更多个GPU 1908可以经功耗优化以在汽车和嵌入式用例中获得最佳性能。例如,在一个实施例中,可以在鳍式场效应晶体管(“FinFET”)上制造GPU1908。在至少一个实施例中,每个流式微处理器可以包含多个划分为多个块的混合精度处理核心,。例如但不限于,可以将64个PF32核心和32个PF64核心划分为四个处理块。在至少一个实施例中,可以为每个处理块分配16个FP32核心、8个FP64核心、16个INT32核心、两个用于深度学习矩阵算术的混合精度NVIDIA TENSOR CORE、零级(“L0”)指令缓存、线程束调度器、分派单元和/或64KB寄存器文件。在至少一个实施例中,流式微处理器可以包括独立的并行整数和浮点数据路径来提供混合了计算和寻址运算的工作量的有效执行。在至少一个实施例中,流式微处理器可以包括独立的线程调度能力,以实现更细粒度的同步和并行线程之间的协作。在至少一个实施例中,流式微处理器可以包括组合的L1数据高速缓存和共享存储器单元,以便在简化编程的同时提高性能。
在至少一个实施例中,一个或更多个GPU 1908可以包括高带宽存储器(“HBM”)和/或16GB HBM2存储器子系统,以在一些示例中提供约900GB/秒的峰值存储带宽。在至少一个实施例中,除了或替代于HBM存储器,可以使用同步图形随机存取存储器(“SGRAM”),例如图形双倍数据速率类型的五同步随机存取存储器(“GDDR5”)。
在至少一个实施例中,GPU 1908可以包括统一存储器技术。在至少一个实施例中,地址转换服务(“ATS”)支持可以用于允许GPU 1908直接访问CPU 1906页表。在至少一个实施例中,当GPU 1908存储器管理单元(“MMU”)经历未命中时,可以将地址转换请求发送到CPU1906。作为响应,在至少一个实施例中,CPU 1906可以在其页面表中查找地址的虚拟-物理的映射并将转换传送回GPU 1908。在至少一个实施例中,统一存储器技术可以允许单个统一虚拟地址空间用于CPU 1906和GPU 1908存储器,从而简化了GPU 1908的编程以及将应用程序移植到GPU 1908。
在至少一个实施例中,GPU 1908可以包括任意数量的访问计数器,其可以跟踪GPU1908对其他处理器的存储器的访问频率。在至少一个实施例中,访问计数器可以帮助确保将存储器页面移动到最频繁访问页面的处理器的物理存储器中,从而提高处理器之间共享的存储器范围的效率。
在至少一个实施例中,一个或更多个SoC 1904可以包括任何数量的高速缓存1912,包括本文所述的那些。例如,在至少一个实施例中,高速缓存1912可以包括可用于CPU1906和GPU 1908(例如,连接两个CPU 1906和GPU 1908)的三级(“L3”)高速缓存。在至少一个实施例中,高速缓存1912可以包括回写式高速缓存,该回写式高速缓存可以例如通过使用高速缓存相干协议(例如,MEI、MESI、MSI等)来跟踪线的状态。在至少一个实施例中,尽管可以使用较小的高速缓存大小,根据实施例,L3高速缓存可以包括4MB或更多。
在至少一个实施例中,一个或更多个SoC 1904可以包括一个或更多个加速器1914(例如,硬件加速器、软件加速器或其组合)。在至少一个实施例中,SoC 1904可以包括硬件加速集群,其可以包括优化的硬件加速器和/或大的片上存储器。在至少一个实施例中,大的片上存储器(例如4MB的SRAM)可以使硬件加速集群能够加速神经网络和其他计算。在至少一个实施例中,硬件加速集群可以用于补充GPU 1908并且卸载GPU 1908的一些任务(例如,释放GPU 1908的更多周期以执行其他任务)。在至少一个实施例中,加速器1914可以用于足够稳定以经得起加速检验的目标工作负载(例如,感知、卷积神经网络(“CNN”)、递归神经网络(“RNN”)等)。在至少一个实施例中,CNN可以包括基于区域或区域卷积神经网络(“RCNN”)和快速RCNN(例如,如用于对象检测)或其他类型的CNN。
在至少一个实施例中,加速器1914(例如,硬件加速集群)可以包括深度学习加速器(“DLA”)。DLA可以包括但不限于一个或更多个Tensor处理单元(“TPU”),其可以配置成每秒提供额外的10万亿次操作用于深度学习应用程序和推理。在至少一个实施例中,TPU可以是配置成并被优化用于执行图像处理功能(例如,用于CNN、RCNN等)的加速器。可以针对神经网络类型和浮点运算以及推理的特定集合进一步优化DLA。在至少一个实施例中,DLA的设计可以提供比典型的通用GPU更高的每毫米性能,并且通常大大超过CPU的性能。在至少一个实施例中,TPU可执行若干功能,包括支持例如INT8、INT16和FP16数据类型以用于特征和权重的单实例卷积功能以及后处理器功能的。在至少一个实施例中,DLA可以针对各种功能中的任何功能,在处理或未处理的数据上快速且有效地执行神经网络,尤其是CNN,包括例如但不限于:用于使用来自相机传感器的数据进行对象识别和检测的CNN;用于使用来自相机传感器的数据进行距离估算的CNN;用于使用来自麦克风1996的数据进行紧急车辆检测以及识别和检测的CNN;用于使用来自相机传感器的数据进行人脸识别和车主识别的CNN;以及/或用于安全和/或安全相关事件的CNN。
在至少一个实施例中,DLA可以执行GPU 1908的任何功能,并且通过使用推理加速器,例如,设计者可以将DLA或GPU 1908作为目标用于任何功能。例如,在至少一个实施例中,设计者可以将CNN的处理和浮点运算集中在DLA上,并将其他功能留给GPU 1908和/或其他加速器1914。
在至少一个实施例中,加速器1914(例如,硬件加速集群)可以包括可编程视觉加速器(“PVA”),其在本文中可以可替代地称为计算机视觉加速器。在至少一个实施例中,PVA可以设计和配置为加速用于高级驾驶员辅助系统(“ADAS”)1938、自动驾驶、增强现实(“AR”)应用程序和/或虚拟现实(“VR”)应用程序的计算机视觉算法。PVA可以在性能和灵活性之间取得平衡。例如,在至少一个实施例中,每个PVA可以包括例如但不限于任何数量的精简指令集计算机(“RISC”)核心、直接存储器访问(“DMA”)和/或任意数量的向量处理器。
在至少一个实施例中,RISC核心可以与图像传感器(例如,本文描述的任意相机的图像传感器)、图像信号处理器等交互。在至少一个实施例中,每个RISC核心可以包括任意数量的存储器。在至少一个实施例中,根据实施例,RISC核心可以使用多种协议中的任意一种。在至少一个实施例中,RISC核心可以执行实时操作系统(“RTOS”)。在至少一个实施例中,可以使用一个或更多个集成电路设备、专用集成电路(“ASIC”)和/或存储设备来实现RISC核心。例如,在至少一个实施例中,RISC核心可以包括指令高速缓存和/或紧密耦合的RAM。
在至少一个实施例中,DMA可以使PVA的组件能够独立于CPU 1906访问系统存储器。在至少一个实施例中,DMA可以支持用于向PVA提供优化的任何数量的特征,包括但不限于,支持多维寻址和/或循环寻址。在至少一个实施例中,DMA可以支持多达六个或更多个寻址的维度,其可以包括但不限于块宽度、块高度、块深度、水平块步进、垂直块步进和/或深度步进。
在至少一个实施例中,向量处理器可以是可编程处理器,其可以设计为有效且灵活地执行用于计算机视觉算法并提供信号处理能力的编程。在至少一个实施例中,PVA可以包括PVA核心和两个向量处理子系统分区。在至少一个实施例中,PVA核心可以包括处理器子系统、DMA引擎(例如,两个DMA引擎)和/或其他外围设备。在至少一个实施例中,向量处理子系统可以用作PVA的主要处理引擎,并且可以包括向量处理单元(“VPU”)、指令高速缓存和/或向量存储器(例如“VMEM”)。在至少一个实施例中,VPU可以包括数字信号处理器,例如,单指令多数据(“SIMD”)、超长指令字(“VLIW”)数字信号处理器。在至少一个实施例中,SIMD和VLIW的组合可以提高吞吐量和速度。
在至少一个实施例中,每个向量处理器可以包括指令高速缓存并且可以耦合到专用存储器。结果,在至少一个实施例中,每个向量处理器可以配置为独立于其他向量处理器执行。在至少一个实施例中,特定PVA中包括的向量处理器可以配置为采用数据并行性。例如,在至少一个实施例中,单个PVA中包括的多个向量处理器可以执行相同的计算机视觉算法,除了在图像的不同区域上之外。在至少一个实施例中,包括在特定PVA中的向量处理器可以在同一图像上同时执行不同的计算机视觉算法,或者甚至在顺序图像或部分图像上执行不同的算法。在至少一个实施例中,除其他外,在硬件加速集群中可以包括任何数量的PVA,并且在每个PVA中可以包括任何数量的向量处理器。在至少一个实施例中,PVA可以包括附加的纠错码(“ECC”)存储器,以增强整体系统安全性。
在至少一个实施例中,加速器1914(例如,硬件加速集群)可以包括片上计算机视觉网络和静态随机存取存储器(“SRAM”),用于为加速器1914提供高带宽,低延迟SRAM。在至少一个实施例中,片上存储器可以包括至少4MB SRAM,其包括例如但不限于八个现场可配置的存储器块,PVA和DLA均可以对其进行访问。在至少一个实施例中,每对存储块可以包括高级外围总线(“APB”)接口、配置电路、控制器和多路复用器。在至少一个实施例中,可以使用任何类型的存储器。在至少一个实施例中,PVA和DLA可以经由为PVA和DLA提供对存储器的高速访问的主干网来访问存储器。在至少一个实施例中,主干网可以包括片上计算机视觉网络,其将PVA和DLA互连到存储器(例如,使用APB)。
在至少一个实施例中,片上计算机视觉网络可以包括接口,该接口在传输任何控制信号/地址/数据之前确定PVA和DLA均提供就绪和有效信号。在至少一个实施例中,接口可以提供用于发送控制信号/地址/数据的单独的相位和单独的信道,以及用于连续数据传输的突发型通信。在至少一个实施例中,尽管可以使用其他标准和协议,但是接口可以符合国际标准化组织(“ISO”)26262或国际电工委员会(“IEC”)61508标准。
在至少一个实施例中,一个或更多个SoC 1904可以包括实时视线追踪硬件加速器。在至少一个实施例中,实时视线追踪硬件加速器可以用于快速且有效地确定对象的位置和范围(例如,在世界模型内),以生成实时可视化模拟,以用于RADAR信号解释,用于声音传播合成和/或分析,用于SONAR系统的模拟,用于一般的波传播模拟,与用于定位和/或其他功能的LIDAR数据进行比较,和/或用于其他用途。
在至少一个实施例中,加速器1914(例如,硬件加速器集群)具有用于自动驾驶的广泛用途。在至少一个实施例中,PVA可以是可编程视觉加速器,其可以用于ADAS和自动驾驶汽车中的关键处理阶段。在至少一个实施例中,在低功耗和低延迟下PVA的能力与需要可预测的处理的算法域良好匹配。换句话说,PVA在半密集或密集的常规计算中表现出色,即使在小型数据集上也是如此,这些数据集需要具有低延迟和低功耗的可预测的运行时间。在至少一个实施例中,诸如自主车辆(车辆1900)PVA被设计为运行经典的计算机视觉算法,因为它们在对象检测和整数数学运算方面是有效的。
例如,根据技术的至少一个实施例,PVA被用于执行计算机立体视觉。在至少一个实施例中,可以在一些示例中使用基于半全局匹配的算法,尽管这并不意味着限制性。在至少一个实施例中,用于3-5级自动驾驶的应用程序在运行中使用动态的估计/立体匹配(例如,从运动中恢复结构、行人识别、车道检测等)。在至少一个实施例中,PVA可以对来自两个单目相机的输入执行计算机立体视觉功能。
在至少一个实施例中,PVA可以用于执行密集的光流。例如,在至少一个实施例中,PVA可以处理原始RADAR数据(例如,使用4D快速傅立叶变换)以提供处理后的RADAR数据。在至少一个实施例中,例如,通过处理原始飞行时间数据以提供处理后的飞行时间数据,将PVA用于飞行时间深度处理。
在至少一个实施例中,DLA可用于运行任何类型的网络以增强控制和驾驶安全性,包括例如但不限于神经网络,其输出用于每个对象检测的置信度。在至少一个实施例中,可以将置信度表示或解释为概率,或者表示为提供每个检测相对于其他检测的相对“权重”。在至少一个实施例中,置信度使系统能够做出进一步的决定,即关于哪些检测应当被认为是真正的阳性检测而不是假阳性检测。例如,在至少一个实施例中,系统可以为置信度设置阈值,并且仅将超过阈值的检测视为真阳性检测。在使用自动紧急制动(“AEB”)系统的实施例中,假阳性检测将导致车辆自动执行紧急制动,这显然是不希望的。在至少一个实施例中,高度自信的检测可以被认为是AEB的触发。在至少一个实施例中,DLA可以运行用于回归置信度值的神经网络。在至少一个实施例中,神经网络可以将参数的至少一些子集作为其输入,例如包围盒尺寸,获得的地平面估计(例如,从另一子系统),与从神经网络和/或其他传感器(例如,LIDAR传感器1964或RADAR传感器1960)等获得的对象的车辆1900方向、距离、3D位置估计相关的IMU传感器1966的输出。
在至少一个实施例中,一个或更多个SoC 1904可以包括数据存储装置1916(例如,存储器)。在至少一个实施例中,数据存储器1916可以是SoC 1904的片上存储器,其可以存储要在GPU 1908和/或DLA上执行的神经网络。在至少一个实施例中,数据存储器1916可以具有足够大的容量以存储神经网络的多个实例以用于冗余和安全。在至少一个实施例中,数据存储器1916可以包括L2或L3高速缓存。
在至少一个实施例中,一个或更多个SoC 1904可以包括任何数量的处理器1910(例如,嵌入式处理器)。在至少一个实施例中,处理器1910可以包括启动和电源管理处理器,该启动和电源管理处理器可以是专用处理器和子系统,以处理启动电源和管理功能以及相关的安全实施。在至少一个实施例中,启动和电源管理处理器可以是SoC 1904启动序列的一部分,并且可以提供运行时电源管理服务。在至少一个实施例中,启动功率和管理处理器可以提供时钟和电压编程,辅助系统低功率状态转换,SoC 1904热和温度传感器管理和/或SoC 1904功率状态管理。在至少一个实施例中,每个温度传感器可以实现为其输出频率与温度成比例的环形振荡器,并且SoC 1904可以使用环形振荡器来检测CPU 1906,GPU1908和/或加速器1914的温度。在至少一个实施例中,如果确定温度超过阈值,则启动和电源管理处理器可以进入温度故障例程,并将SoC 1904置于较低功耗状态和/或将车辆1900置于司机的安全停车图案(例如,使车辆1900安全停车)。
在至少一个实施例中,一个或更多个处理器1910可以进一步包括一组嵌入式处理器,其可以用作音频处理引擎。在至少一个实施例中,音频处理引擎可以是音频子系统,其能够通过多个接口以及广泛且灵活范围的音频I/O接口为硬件提供对多通道音频的完全硬件支持。在至少一个实施例中,音频处理引擎是专用处理器核心,其具有带专用RAM的数字信号处理器。
在至少一个实施例中,处理器1910可以进一步包括始终在线的处理器引擎,该引擎可以提供必要的硬件特征以支持低功率传感器管理和唤醒用例。在至少一个实施例中,始终在线的处理器引擎上的处理器可以包括但不限于处理器核心、紧密耦合的RAM、支持外围设备(例如,定时器和中断控制器)、各种I/O控制器外围设备以及路由逻辑。
在至少一个实施例中,处理器1910可以进一步包括安全集群引擎,该安全集群引擎包括但不限于用于处理汽车应用程序的安全管理的专用处理器子系统。在至少一个实施例中,安全集群引擎可以包括但不限于两个或更多个处理器核心、紧密耦合的RAM、支持外围设备(例如,定时器、中断控制器等)和/或路由逻辑。在安全模式下,在至少一个实施例中,两个或更多个核心可以以锁步模式操作,并且可以用作具有用以检测其操作之间的任何差异的比较逻辑的单个核心。在至少一个实施例中,处理器1910可以进一步包括实时相机引擎,该实时相机引擎可以包括但不限于用于处理实时相机管理的专用处理器子系统。在至少一个实施例中,处理器1910可以进一步包括高动态范围信号处理器,该高动态范围信号处理器可以包括但不限于图像信号处理器,该图像信号处理器是作为相机处理管线的一部分的硬件引擎。
在至少一个实施例中,处理器1910可以包括视频图像合成器,该视频图像合成器可以是处理块(例如,在微处理器上实现),该处理块实现视频回放应用产生最终的视频所需要的视频后处理功能,以产生用于播放器窗口的最终图像。在至少一个实施例中,视频图像合成器可以在广角相机1970、环绕相机1974和/或舱内监控相机传感器上执行透镜畸变校正。在至少一个实施例中,优选地,由在SoC 1904的另一实例上运行的神经网络来监控舱室内监控相机传感器,该神经网络被配置为识别舱室事件并相应地做出响应。在至少一个实施例中,舱室内系统可以执行但不限于唇读以激活蜂窝服务和拨打电话、指示电子邮件、改变车辆的目的地、激活或改变车辆的信息娱乐系统和设置、或者提供语音激活的网上冲浪。在至少一个实施例中,当车辆以自主模式运行时,某些功能对于驾驶员是可用的,否则将其禁用。
在至少一个实施例中,视频图像合成器可以包括用于同时空间和时间降噪的增强的时间降噪。例如,在至少一个实施例中,在运动发生在视频中的情况下,降噪适当地对空间信息加权,从而减小由相邻帧提供的信息的权重。在至少一个实施例中,在图像或图像的一部分不包括运动的情况下,由视频图像合成器执行的时间降噪可以使用来自先前图像的信息来降低当前图像中的噪声。
在至少一个实施例中,视频图像合成器还可以配置为对输入的立体透镜帧执行立体校正。在至少一个实施例中,当使用操作系统桌面时,视频图像合成器还可以用于用户界面合成,并且不需要GPU 1908来连续渲染新表面。在至少一个实施例中,当对GPU 1908供电并使其活跃地进行3D渲染时,视频图像合成器可以被用于卸载GPU 1908以改善性能和响应性。
在至少一个实施例中,一个或更多个SoC 1904可以进一步包括用于从相机接收视频和输入的移动工业处理器接口(“MIPI”)相机串行接口、高速接口和/或可用于相机和相关像素输入功能的视频输入块。在至少一个实施例中,一个或更多个SoC 1904可以进一步包括输入/输出控制器,该输入/输出控制器可以由软件控制并且可以被用于接收未提交给特定角色的I/O信号。
在至少一个实施例中,一个或更多个SoC 1904可以进一步包括广泛的外围接口,以使得能够与外围设备、音频编码器/解码器(“编解码器”),电源管理和/或其他设备通信。SoC 1904可用于处理来自(例如,通过千兆位多媒体串行链路和以太网连接的)相机、传感器(例如,LIDAR传感器1964,RADAR传感器1960等,其可以通过以太网连接)的数据,来自总线1902的数据(例如,车辆1900的速度、方向盘位置等),来自GNSS传感器1958的数据(例如,通过以太网或CAN总线连接)等。在至少一个实施例中,一个或更多个SoC 1904可以进一步包括专用高性能海量存储控制器,其可以包括它们自己的DMA引擎,并且可以用于使CPU1906摆脱常规数据管理任务。
在至少一个实施例中,SoC 1904可以是具有灵活架构的端到端平台,其跨越自动化级别3-5级,从而提供利用并有效使用计算机视觉和ADAS技术来实现多样性和冗余的综合的功能安全架构,其提供了可提供灵活、可靠的驾驶软件堆栈以及深度学习工具的平台。在至少一个实施例中,SoC 1904可以比常规系统更快、更可靠,并且甚至在能量效率和空间效率上也更高。例如,在至少一个实施例中,加速器1914当与CPU 1906、GPU 1908以及数据存储装置1916结合时,可以提供用于3-5级自主车辆的快速、有效的平台。
在至少一个实施例中,计算机视觉算法可以在CPU上执行,CPU可以使用高级编程语言(例如C编程语言)配置为在多种视觉数据上执行多种处理算法。然而,在至少一个实施例中,CPU通常不能满足许多计算机视觉应用的性能要求,例如与执行时间和功耗有关的性能要求。在至少一个实施例中,许多CPU不能实时执行复杂的对象检测算法,该算法被用于车载ADAS应用和实际3-5级自主车辆中。
本文所述的实施例允许同时和/或顺序地执行多个神经网络,并且允许将结果结合在一起以实现3-5级自动驾驶功能。例如,在至少一个实施例中,在DLA或离散GPU(例如,GPU 1920)上执行的CNN可包括文本和单词识别,从而允许超级计算机读取和理解交通标志,包括神经网络尚未被专门训练的标志。在至少一个实施例中,DLA还可包括神经网络,该神经网络能够识别、解释并提供符号的语义理解,并将该语义理解传递给在CPU Complex上运行的路径规划模块。
在至少一个实施例中,对于3、4或5级的驱动,可以同时运行多个神经网络。例如,在至少一个实施例中,由“警告:闪烁的灯指示结冰状况(Caution:flashing lightsindicate icy conditions)”连通电灯一起组成的警告标志可以由多个神经网络独立地或共同地解释。在至少一个实施例中,可以通过第一部署的神经网络(例如,已经训练的神经网络)将标志本身识别为交通标志,并且可以通过第二部署的神经网络来解释文本“闪烁的灯指示结冰状况(flashing lights indicate icy conditions)”,其通知车辆的路径规划软件(最好在CPU Complex上执行):当检测到闪烁的灯光时,就会存在结冰状况。在至少一个实施例中,可以通过在多个帧上操作第三部署的神经网络来识别闪烁的灯,向车辆的路径规划软件通知存在(或不存在)闪烁的灯。在至少一个实施例中,所有三个神经网络可以同时运行,例如在DLA内和/或在GPU 1908上。
在至少一个实施例中,用于面部识别和车辆所有者识别的CNN可以使用来自相机传感器的数据来识别授权驾驶员和/或车辆1900的所有者的存在。在至少一个实施例中,当所有者接近驾驶员门并打开灯时,常开传感器处理器引擎可用于解锁车辆,并且,在安全模式下,当所有者离开车辆时,可用于禁用车辆。以此方式,SoC 1904提供防止盗窃和/或劫车的保障。
在至少一个实施例中,用于紧急车辆检测和识别的CNN可以使用来自麦克风1996的数据来检测和识别紧急车辆警报器。在至少一个实施例中,SoC 1904使用CNN来对环境和城市声音进行分类,以及对视觉数据进行分类。在至少一个实施例中,训练在DLA上运行的CNN以识别紧急车辆的相对接近速度(例如,通过使用多普勒效应)。在至少一个实施例中,还可以训练CNN来识别针对车辆正在运行的区域的紧急车辆,如GNSS传感器1958所标识。在至少一个实施例中,当在欧洲运行时,CNN将寻求检测欧洲警报器,而在美国时,CNN将寻求仅识别北美警报器。在至少一个实施例中,一旦检测到紧急车辆,就可以在超声波传感器1962的辅助下使用控制程序来执行紧急车辆安全例程、减速车辆、将车辆驶至路边、停车、和/或使车辆闲置,直到紧急车辆通过。
在至少一个实施例中,车辆1900可以包括CPU 1918(例如,离散CPU或dCPU),其可以经由高速互连(例如PCIe)耦合到SoC 1904。在至少一个实施例中,CPU 1918可以包括X86处理器,例如CPU 1918可用于执行各种功能中的任何功能,例如包括在ADAS传感器和SoC1904之间潜在的仲裁不一致的结果,和/或监控控制器1936的状态和健康和/或片上信息系统(“信息SoC”)1930。
在至少一个实施例中,车辆1900可以包括GPU 1920(例如,离散GPU或dGPU),其可以经由高速互连(例如NVIDIA的NVLINK)耦合到SoC 1904。在至少一个实施例中,GPU 1920可以提供附加的人工智能功能,例如通过执行冗余和/或不同的神经网络,并且可以至少部分地基于来自车辆1900的传感器的输入(例如,传感器数据)来用于训练和/或更新神经网络。
在至少一个实施例中,车辆1900可以进一步包括网络接口1924,其可以包括但不限于无线天线1926(例如,用于不同通信协议的一个或更多个无线天线1926,诸如蜂窝天线、蓝牙天线等)。在至少一个实施例中,网络接口1924可以用于使通过互联网与云(例如,服务器和/或其他网络设备)、其他车辆和/或计算设备(例如乘客的客户端设备)无线连接。在至少一个实施例中,为了与其他车辆通信,可以在车辆190和其他车辆之间建立直接链路和/或可以建立间接链路(例如,通过网络和互联网)。在至少一个实施例中,可以使用车辆到车辆的通信链路来提供直接链路。车辆到车辆的通信链路可以向车辆1900提供关于车辆1900附近的车辆的信息(例如,车辆1900前面、侧面和/或后面的车辆)。在至少一个实施例中,前述功能可以是车辆1900的协作自适应巡航控制功能的一部分。
在至少一个实施例中,网络接口1924可以包括SoC,其提供调制和解调功能并使控制器1936能够通过无线网络进行通信。在至少一个实施例中,网络接口1924可以包括射频前端,用于从基带到射频的上转换以及从射频到基带的下转换。在至少一个实施例中,可以以任何技术上可行的方式执行频率转换。例如,可以通过公知的过程和/或使用超外差过程来执行频率转换。在至少一个实施例中,射频前端功能可以由单独的芯片提供。在至少一个实施例中,网络接口可以包括用于通过LTE、WCDMA、UMTS、GSM、CDMA2000、蓝牙、蓝牙LE、Wi-Fi、Z-Wave、ZigBee、LoRaWAN和/或其他无线协议进行通信的无线功能。
在至少一个实施例中,车辆1900可以进一步包括数据存储器1928,其可以包括但不限于片外(例如,SoC 10904)存储器。在至少一个实施例中,数据存储器1928可以包括但不限于一个或更多个存储元件,包括RAM、SRAM、动态随机存取存储器(“DRAM”)、视频随机存取存储器(“VRAM”)、闪存、硬盘和/或其他组件和/或可以存储至少一位数据的设备。
在至少一个实施例中,车辆1900可以进一步包括GNSS传感器1958(例如,GPS和/或辅助GPS传感器),以辅助地图绘制、感知、占用光栅生成和/或路径规划功能。在至少一个实施例中,可以使用任何数量的GNSS传感器1958,包括例如但不限于使用具有以太网的USB连接器连接到串行接口(例如RS-232)桥的GPS。
在至少一个实施例中,车辆1900可以进一步包括一个或更多个RADAR传感器1960。RADAR传感器1960可以由车辆1900用于远程车辆检测,即使在黑暗和/或恶劣天气条件下。在至少一个实施例中,RADAR功能安全等级可以是ASIL B。RADAR传感器1960可以使用CAN和/或总线1902(例如,以传输由RADAR传感器1960生成的数据)来进行控制和访问对象跟踪数据,在某些示例中可以访问以太网以访问原始数据。在至少一个实施例中,可以使用各种各样的RADAR传感器类型。例如但不限于,RADAR传感器1960可适合于前、后和侧面RADAR使用。在至少一个实施例中,一个或更多个RADAR传感器1960是脉冲多普勒RADAR传感器。
在至少一个实施例中,RADAR传感器1960可以包括不同的配置,例如具有窄视野的远程、具有宽事业的近程、近程侧面覆盖等。在至少一个实施例中,远程RADAR可以用于自适应巡航控制功能。在至少一个实施例中,远程RADAR系统可以提供通过两次或更多次独立扫描(例如在250m范围内)实现的宽广的视野。在至少一个实施例中,RADAR传感器1960可以帮助在静态对象和运动对象之间区分,并且可以被ADAS系统1938用于紧急制动辅助和向前碰撞警告。包括在远程RADAR系统中的传感器1960可以包括但不限于具有多个(例如六个或更多个)固定RADAR天线以及高速CAN和FlexRay接口的单基地多模式RADAR。在至少一个实施例中,具有六个天线、中央四个天线可以创建聚焦的波束图,该波束图设计为以较高的速度记录车辆1900的周围环境,而相邻车道的交通干扰最小。在至少一个实施例中,其他两个天线可以扩大视野,从而可以快速检测进入或离开车辆1900的车道的车辆。
在至少一个实施例中,作为示例,中程RADAR系统可包括高达160m(前)或80m(后)的范围,以及高达42度(前)或150度(后)的视野。在至少一个实施例中,短程RADAR系统可以包括但不限于设计成安装在后保险杠的两端的任意数量的RADAR传感器1960。当安装在后保险杠的两端时,在至少一个实施例中,RADAR传感器系统可以产生两个光束,该两个光束不断地监测车辆后部和附近的盲点。在至少一个实施例中,短程RADAR系统可以在ADAS系统1938中用于盲点检测和/或车道改变辅助。
在至少一个实施例中,车辆1900可以进一步包括一个或更多个超声传感器1962。可以定位在车辆1900的前、后和/或侧面的超声传感器1962可以用于停车辅助和/或创建和更新占用光栅。在至少一个实施例中,可以使用各种各样的超声传感器1962,并且可以将不同的超声传感器1962用于不同的检测范围(例如2.5m、4m)。在至少一个实施例中,超声传感器1962可以在ASIL B的功能安全等级下操作。
在至少一个实施例中,车辆1900可以包括一个或更多个LIDAR传感器1964。LIDAR传感器1964可以用于对象和行人检测、紧急制动、避免碰撞和/或其他功能。在至少一个实施例中,LIDAR传感器1964可以是功能安全等级ASIL B。在至少一个实施例中,车辆1900可以包括可以使用以太(网的多个(例如,两个、四个、六个等)LIDAR传感器1964(例如,将数据提供给千兆以太网交换机)。
在至少一个实施例中,LIDAR传感器1964可能能够提供针对360度视野的对象及其距离的列表。在至少一个实施例中,市售的LIDAR传感器1964例如可以具有大约100m的广告范围,具有2cm-3cm的精度,并且支持100Mbps的以太网连接。在至少一个实施例中,可以使用一个或更多个非突出的LIDAR传感器1964。在这样的实施例中,可以将LIDAR传感器1964实现为可以嵌入到车辆1900的前、后、侧面和/或拐角中的小型设备。在至少一个实施例中,LIDAR传感器1964,在这样的实施例中,即使对于低反射率的对象,也可以提供高达120度的水平视野和35度的垂直视野,并且具有200m的范围。在至少一个实施例中,可将前向LIDAR传感器1964配置为用于45度至135度之间的水平视野。
在至少一个实施例中,也可以使用LIDAR技术(诸如3D闪光LIDAR)。3D闪光LIDAR使用激光闪光作为传输源,以照亮车辆1900周围大约200m。在至少一个实施例中,闪光LIDAR单元包括但不限于接收器,该接收器记录激光脉冲传播时间和每个像素上的反射光,该像素又对应于从车辆1900到对象的范围。在至少一个实施例中,闪光LIDAR可以允许利用每个激光闪光来生成周围环境的高度准确且无失真的图像。在至少一个实施例中,可以部署四个闪光LIDAR传感器,在车辆1900的每一侧部署一个传感器。在至少一个实施例中,3D闪光LIDAR系统包括但不限于除了风扇(例如非扫描LIDAR设备)以外没有移动部件的固态3D视线阵列LIDAR相机。在至少一个实施例中,闪光LIDAR设备可以每帧使用5纳秒的I类(人眼安全)激光脉冲,并且可以捕获3D测距点云和共同登记的强度数据形式的反射激光。
在至少一个实施例中,车辆还可包括IMU传感器1966。在至少一个实施例中,IMU传感器1966可位于车辆1900的后轴中心,在至少一个实施例中。在至少一个实施例中,IMU传感器1966可以包括,例如但不限于,加速度计、磁力计、陀螺仪、磁罗经和/或其他传感器类型。在至少一个实施例中,例如在六轴应用中,IMU传感器1966可以包括但不限于加速度计和陀螺仪。在至少一个实施例中,例如在九轴应用中,IMU传感器1966可以包括但不限于加速度计、陀螺仪和磁力计。
在至少一个实施例中,IMU传感器1966可以实现为结合了微机电系统(“MEMS”)惯性传感器,高灵敏度GPS接收器和先进的卡尔曼滤波算法的微型高性能GPS辅助惯性导航系统(“GPS/INS”),以提供位置、速度和姿态的估算;在至少一个实施例中,IMU传感器1966可使车辆1900估算航向而无需来自磁传感器通过直接观察和关联从GPS到IMU传感器1966的速度变化来实现的输入。在至少一个实施例中,IMU传感器1966和GNSS传感器1958可以组合在单个集成单元中。
在至少一个实施例中,车辆1900可以包括放置在车辆1900内和/或周围的麦克风1996。在至少一个实施例中,此外,麦克风1996可以用于紧急车辆检测和识别。
在至少一个实施例中,车辆1900可以进一步包括任何数量的相机类型,包括立体相机1968、广角相机1970、红外相机1972、环绕相机1974、远程相机1998、中程相机1976和/或其他相机类型。在至少一个实施例中,相机可用于捕获车辆1900的整个外围周围的图像数据。在至少一个实施例中,所使用的相机的类型取决于车辆1900。在至少一个实施例中,相机类型的任何组合可以是用于在车辆1900周围提供必要覆盖范围。在至少一个实施例中,相机的数量可以根据实施例而不同。例如,在至少一个实施例中,车辆1900可以包括六个相机、七个相机、十个相机、十二个相机或其他数量的相机。相机可以作为示例但不限于支持千兆位多媒体串行链路(“GMSL”)和/或千兆位以太网。在至少一个实施例中,本文先前参照图19A和图19B更详细地描述了每个相机。
在至少一个实施例中,车辆1900可以进一步包括振动传感器1942。在至少一个实施例中,振动传感器1942可以测量车辆1900的部件(例如,轴)的振动。例如,在至少一个实施例中,振动的变化可以指示路面的变化。在至少一个实施例中,当使用两个或更多个振动传感器1942时,振动之间的差异可以用于确定路面的摩擦或打滑(例如,当在动力驱动轴和自由旋转轴之间存在振动差异时)。
在至少一个实施例中,车辆1900可以包括ADAS系统1938。在一些示例中,ADAS系统1938可以包括但不限于SoC。在至少一个实施例中,ADAS系统1938可以包括但不限于任何数量的自主/自适应/自动巡航控制(“ACC”)系统、协作自适应巡航控制(“CACC”)系统、前撞警告(“FCW”)系统、自动紧急制动(“AEB”)系统、车道偏离警告(“LDW”)系统、车道保持辅助(“LKA”)系统、盲区警告(“BSW”)系统、后方交叉交通警告(“RCTW”)系统、碰撞警告(“CW”)系统、车道对中(“LC”)系统和/或其他系统、特征和/或功能及其组合。
在至少一个实施例中,ACC系统可以使用RADAR传感器1960、LIDAR传感器1964和/或任何数量的相机。在至少一个实施例中,ACC系统可以包括纵向ACC系统和/或横向ACC系统。在至少一个实施例中,纵向ACC系统监控并控制到紧邻车辆1900的车辆的距离,并自动调节车辆1900的速度以保持与前方车辆的安全距离。在至少一个实施例中,横向ACC系统执行距离保持,并在需要时建议车辆1900改变车道。在至少一个实施例中,横向ACC与其他ADAS应用有关,例如LC和CW。
在至少一个实施例中,CACC系统使用来自其他车辆的信息,该信息可以经由网络接口1924和/或无线天线1926从其他车辆接收经由无线链路或者间接经由网络连接(例如,经由互联网)接收。在至少一个实施例中,直接链路可以由车辆到车辆(“V2V”)的通信链路提供,而间接链路可以由基础设施到车辆(“I2V”)的通信链路提供。通常,V2V通信概念提供关于紧接在前的车辆(例如,紧接在车辆1900之前并与之在同一车道上的车辆)的信息,而I2V通信概念提供关于更前方交通的信息。在至少一个实施例中,CACC系统可以包括I2V和V2V信息源之一或两者。在至少一个实施例中,在给定车辆1900之前的车辆的信息的情况下,CACC系统可以更可靠,并且具有改善交通流的平滑度并减少道路拥堵的潜力。
在至少一个实施例中,FCW系统被设计成警告驾驶员危险,以便驾驶员可以采取纠正措施。在至少一个实施例中,FCW系统使用前向相机和/或RADAR传感器1960,其耦合至专用处理器、DSP、FPGA和/或ASIC,其电耦合至驾驶员反馈,例如显示器、扬声器和/或振动组件。在至少一个实施例中,FCW系统可以提供警告,例如以声音、视觉警告,振动和/或快速制动脉冲的形式。
在至少一个实施例中,AEB系统检测到与另一车辆或其他对象的即将发生的向前碰撞,并且如果驾驶员在指定的时间或距离参数内未采取纠正措施,则可以自动施加制动。在至少一个实施例中,AEB系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的前向相机和/或RADAR传感器1960。在至少一个实施例中,当AEB系统检测到危险时,AEB系统通常首先警告驾驶员采取纠正措施以避免碰撞,并且,如果驾驶员没有采取纠正措施,则AEB系统可以自动施加制动器以试图防止或至少减轻预测碰撞的影响。在至少一个实施例中,AEB系统可以包括诸如动态制动器支持和/或即将发生碰撞的制动的技术。
在至少一个实施例中,当车辆1900越过车道标记时,LDW系统提供视觉、听觉和/或触觉警告,例如方向盘或座椅振动,以警告驾驶员。在至少一个实施例中,当驾驶员通过激活转向信号灯指示有意的车道偏离时,LDW系统不活跃。在至少一个实施例中,LDW系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的面向正面的相机,其电耦合至诸如显示器、扬声器和/或振动组件。在至少一个实施例中,LKA系统是LDW系统的一种变型。如果车辆1900开始离开车道,则LKA系统提供转向输入或制动以校正车辆1900。
在至少一个实施例中,BSW系统检测并警告汽车盲区中的车辆驾驶员。在至少一个实施例中,BSW系统可以提供视觉、听觉和/或触觉警报,以指示合并或改变车道是不安全的。在至少一个实施例中,当驾驶员使用转向灯时,BSW系统可以提供附加警告。在至少一个实施例中,BSW系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的朝后侧的相机和/或RADAR传感器1960,其电耦合到驾驶员反馈,例如显示器、扬声器和/或振动组件。
在至少一个实施例中,当在车辆1900倒车时在后相机范围之外检测到对象时,RCTW系统可以提供视觉、听觉和/或触觉通知。在至少一个实施例中,RCTW系统包括AEB系统,以确保应用车辆制动器以避免碰撞。在至少一个实施例中,RCTW系统可以使用一个或更多个面向后方的RADAR传感器1960,其耦合到专用处理器、DSP、FPGA和/或ASIC,其电耦合到驾驶员反馈,诸如显示器、扬声器和/或振动组件。
在至少一个实施例中,常规的ADAS系统可能易于产生误报结果,这可能使驾驶员烦恼和分散注意力,但通常不是灾难性的,因为常规的ADAS系统会警告驾驶员并允许驾驶员决定安全状况是否真正存在并采取相应行动。在至少一个实施例中,在结果冲突的情况下,车辆1900本身决定是否听从主计算机或副计算机(例如,第一控制器1936或第二控制器1936)的结果。例如,在至少一个实施例中,ADAS系统1938可以是用于将感知信息提供给备份计算机合理性模块的备用和/或辅助计算机。在至少一个实施例中,备用计算机合理性监控器可以在硬件组件上运行冗余的各种软件,以检测感知和动态驾驶任务中的故障。在至少一个实施例中,可以将来自ADAS系统1938的输出提供给监控MCU。在至少一个实施例中,如果来自主计算机和辅助计算机的输出冲突,则监督MCU决定如何协调冲突以确保安全操作。
在至少一个实施例中,主计算机可以配置为向监督MCU提供置信度分数,以指示主计算机对所选结果的置信度。在至少一个实施例中,如果置信度得分超过阈值,则监督MCU可以遵循主计算机的指示,而不管辅助计算机是否提供冲突或不一致的结果。在至少一个实施例中,在置信度得分不满足阈值的情况下,并且在主计算机和辅助计算机指示不同的结果(例如,冲突)的情况下,监督MCU可以在计算机之间仲裁以确定适当的结果。
在至少一个实施例中,监督MCU可以配置为运行神经网络,该神经网络被训练和配置为至少部分地基于来自主计算机和辅助计算机的输出来确定辅助计算机提供错误警报的条件。在至少一个实施例中,监督MCU中的神经网络可以学习何时可以信任辅助计算机的输出,以及何时不能信任。例如,在至少一个实施例中,当辅助计算机是基于RADAR的FCW系统时,监督MCU中的神经网络可以学习FCW系统何时识别实际上不是危险的金属对象,例如会触发警报的排水格栅或井盖。在至少一个实施例中,当辅助计算机是基于相机的LDW系统时,当存在骑自行车的人或行人并且实际上车道偏离是最安全的操作时,监督MCU中的神经网络可以学会覆盖LDW。在至少一个实施例中,监督MCU可以包括适合于运行具有相关联的存储器的神经网络的DLA或GPU中的至少一个。在至少一个实施例中,监督MCU可以包括和/或被包括为SoC 1904的组件。
在至少一个实施例中,ADAS系统1938可以包括使用传统的计算机视觉规则执行ADAS功能的辅助计算机。在至少一个实施例中,辅助计算机可以使用经典计算机视觉规则(如果-则),并且监督MCU中的神经网络的存在可以提高可靠性、安全性和性能。例如,在至少一个实施例中,多样化的实现方式和有意的非同一性使得整个系统更加容错,尤其是对于由软件(或软件-硬件接口)功能引起的故障。例如,在至少一个实施例中,如果在主计算机上运行的软件中存在软件漏洞或错误,并且在辅助计算机上运行的不相同的软件代码提供了相同的总体结果,则监督MCU可以更有把握地认为总体结果是正确,并且主计算机上的软件或硬件中的漏洞不会导致重大错误。
在至少一个实施例中,可以将ADAS系统1938的输出输入到主计算机的感知模块和/或主计算机的动态驾驶任务模块中。例如,在至少一个实施例中,如果ADAS系统1938由于正前方的对象而指示向前碰撞警告,则感知块可以在识别对象时使用该信息。在至少一个实施例中,如本文所述,辅助计算机可以具有其自己的神经网络,该神经网络经过训练从而降低了误报的风险。
在至少一个实施例中,车辆1900可以进一步包括信息娱乐SoC 1930(例如,车载信息娱乐系统(IVI))。尽管被示出和描述为SoC,但是在至少一个实施例中,信息娱乐系统1930可以不是SoC,并且可以包括但不限于两个或更多个分立组件。在至少一个实施例中,信息娱乐SoC 1930可以包括但不限于硬件和软件的组合,其可以用于提供音频(例如,音乐、个人数字助理、导航指令、新闻、广播等)、视频(例如,电视、电影、流媒体等)、电话(例如,免提通话)、网络连接(例如,LTE、WiFi等)和/或信息服务(例如,导航系统、后停车辅助、无线电数据系统、与车辆相关的信息,例如燃油水平、总覆盖距离、制动燃油水平、油位、车门打开/关闭、空气滤清器信息等)到车辆1900。例如,信息娱乐SoC 1930可以包括收音机、磁盘播放器、导航系统、视频播放器、USB和蓝牙连接、汽车、车载娱乐系统、WiFi、方向盘音频控制、免提语音控制、抬头显示器(“HUD”)、HMI显示器1934、远程信息处理设备、控制面板(例如,用于控制各种组件、特征和/或系统和/或与之交互)和/或其他组件。在至少一个实施例中,信息娱乐SoC 1930可以进一步用于向车辆的用户提供信息(例如,视觉和/或听觉的),诸如来自ADAS系统1938的信息、自动驾驶信息(诸如计划的车辆操纵)、轨迹、周围环境信息(例如,交叉路口信息、车辆信息、道路信息等)和/或其他信息。
在至少一个实施例中,信息娱乐SoC 1930可以包括任何数量和类型的GPU功能。在至少一个实施例中,信息娱乐SoC 1930可以通过总线1902(例如,CAN总线、以太网等)与车辆1900的其他设备、系统和/或组件通信。在至少一个实施例中,信息娱乐SoC 1930可以是耦合到监控MCU,使得信息娱乐系统的GPU可以在主控制器1936(例如,车辆1900的主计算机和/或备用计算机)发生故障的情况下执行一些自动驾驶功能。在至少一个实施例中,信息娱乐SoC 1930可以使车辆1900进入司机到安全停止模式,如本文所述。
在至少一个实施例中,车辆1900可以进一步包括仪表板1932(例如,数字仪表板、电子仪表板、数字仪表操纵板等)。在至少一个实施例中,仪表板1932可以包括但不限于控制器和/或超级计算机(例如,离散控制器或超级计算机)。在至少一个实施例中,仪表板1932可以包括但不限于一组仪表的任何数量和组合,例如车速表、燃料水平、油压、转速表、里程表、转弯指示器、换档位置指示器、安全带警告灯、驻车制动警告灯、发动机故障灯、辅助约束系统(例如安全气囊)信息、照明控件、安全系统控件、导航信息等。在某些示例中,信息可能是在信息娱乐SoC 1930和仪表板1932之间显示和/或共享。在至少一个实施例中,仪表板1932可以被包括作为信息娱乐SoC 1930的一部分,反之亦然。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图19C中使用,以至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图19D是根据至少一个实施例的在基于云的服务器与图19A的自主车辆1900之间进行通信的系统1976的图。在至少一个实施例中,系统1976可以包括但不限于服务器1978、网络1990以及任何数量和类型的车辆,包括车辆1900。在至少一个实施例中,服务器1978可以包括但不限于,多个GPU 1984(A)-1984(H)(在本文中统称为GPU 1984)、PCIe交换机1982(A)-1982(D)(在本文中统称为PCIe交换机1982),和/或CPU 1980(A)-1980(B)(在本文中统称为CPU 1980)、GPU 1984、CPU 1980和PCIe开关1982可以与高速连接线互连,例如但不限于,由NVIDIA开发的NVLink接口1988和/或PCIe连接1986。在至少一个实施例中,GPU 1984通过NVLink和/或NVSwitchSoC连接,GPU 1984和PCIe开关1982通过PCIe互连连接。在至少一个实施例中,尽管示出了八个GPU 1984、两个CPU 1980和四个PCIe开关1982,但这并不旨在进行限制。在至少一个实施例中,服务器1978中的每一个可以包括但不限于任意数量的GPU 1984、CPU 1980和/或PCIe开关1982的任何组合。例如,在至少一个实施例中,服务器1978可各自包括八个、十六个、三十二个和/或更多个GPU 1984。
在至少一个实施例中,服务器1978可以通过网络1990并从车辆接收表示图像的图像数据,该图像示出了意外的或改变的道路状况,例如最近开始的道路工程。在至少一个实施例中,服务器1978可以通过网络1990并且向车辆传输神经网络1992、更新的神经网络1992和/或地图信息1994,包括但不限于关于交通和道路状况的信息。在至少一个实施例中,对地图信息1994的更新可以包括但不限于对HD地图1922的更新,例如关于建筑工地、坑洼、便道、洪水和/或其他障碍物的信息。在至少一个实施例中,神经网络1992、更新的神经网络1992和/或地图信息1994可能是由从环境中的任何数量的车辆接收的数据中表示的新训练和/或经验产生的,和/或至少基于在数据中心执行的训练(例如,使用服务器1978和/或其他服务器)。
在至少一个实施例中,服务器1978可以用于至少部分地基于训练数据来训练机器学习模型(例如,神经网络)。在至少一个实施例中,训练数据可以由车辆产生,和/或可以在模拟中产生(例如,使用游戏引擎)。在至少一个实施例中,标记任何数量的训练数据(例如,在相关的神经网络受益于监督学习的情况下)和/或经历其他预处理。在至少一个实施例中,没有对任何数量的训练数据进行标记和/或预处理(例如,在相关联的神经网络不需要监督学习的情况下)。在至少一个实施例中,一旦机器学习模型被训练,机器学习模型就可以被车辆使用(例如,通过网络1990传输到车辆,和/或机器学习模型可以被服务器1978使用以远程监控车辆。
在至少一个实施例中,服务器1978可以从车辆接收数据并且将数据应用于最新的实时神经网络以用于实时智能推理。在至少一个实施例中,服务器1978可以包括由GPU1984供电的深度学习超级计算机和/或专用AI计算机,例如由NVIDIA开发的DGX和DGXStation机器。然而,在至少一个实施例中,服务器1978可以包括使用CPU供电的数据中心的深度学习基础设施。
在至少一个实施例中,服务器1978的深度学习基础结构可能能够进行快速、实时的推理,并且可以使用该能力来评估和验证车辆1900中处理器、软件和/或相关硬件的健康。例如,在至少一个实施例中,深度学习基础设施可以从车辆1900接收周期性更新,例如车辆1900在该图像序列中所定位的图像序列和/或对象(例如,通过计算机视觉和/或其他机器学习对象分类技术)。在至少一个实施例中,深度学习基础设施可以运行其自己的神经网络以识别对象并将它们与车辆1900所识别的对象进行比较,并且,如果结果不匹配和深度学习基础设施断定车辆1900中的AI正在发生故障,则服务器1978可以将信号发送到车辆1900,以指示车辆1900的故障安全计算机采取控制、通知乘客并完成安全停车操作。
在至少一个实施例中,服务器1978可以包括GPU 1984和一个或更多个可编程推理加速器(例如NVIDIA的TensorRT 3)。在至少一个实施例中,GPU驱动的服务器和推理加速的组合可以使实时响应成为可能。在至少一个实施例中,例如在性能不太关键的情况下,可以将由CPU、FPGA和其他处理器驱动的服务器用于推理。在至少一个实施例中,推理和/或训练逻辑1715用于执行一个或更多个实施例。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。
计算机系统
图20是示出根据至少一个实施例示例性计算机系统的框图,该示例性计算机系统可以是具有互连的设备和组件的系统,片上系统(SOC)或它们的某种形成有处理器的组合2000,该处理器可以包括执行单元以执行指令。在至少一个实施例中,根据本公开,例如本文所述的实施例,计算机系统2000可以包括但不限于组件,例如处理器2002,其执行单元包括逻辑以执行用于过程数据的算法。在至少一个实施例中,计算机系统2000可以包括处理器,例如可从加利福尼亚圣塔克拉拉的英特尔公司(Intel Corporation of Santa Clara,California)获得的处理器家族、XeonTM、XScaleTM和/或StrongARMTM,CoreTM或 NervanaTM微处理器,尽管也可以使用其他系统(包括具有其他微处理器的PC、工程工作站、机顶盒等)。在至少一个实施例中,计算机系统2000可以执行可从华盛顿州雷蒙德市的微软公司(Microsoft Corporation of Redmond,Wash.)n获得的WINDOWS操作系统版本,尽管其他操作系统(例如UNIX和Linux)、嵌入式软件和/或图形用户界面也可以使用。
实施例可以用在其他设备中,例如手持设备和嵌入式应用。手持设备的一些示例包括蜂窝电话、互联网协议(Internet Protocol)设备、数码相机、个人数字助理(“PDA”)和手持PC。在至少一个实施例中,嵌入式应用可以包括微控制器、数字信号处理器(“DSP”)、片上系统、网络计算机(“NetPC”)、机顶盒、网络集线器、广域网(“WAN”)交换机,或根据至少一个实施例可以执行一个或更多个指令的任何其他系统。
在至少一个实施例中,计算机系统2000可包括但不限于处理器2002,该处理器2002可包括但不限于一个或更多个执行单元2008,以根据本文描述的技术执行机器学习模型训练和/或推理。在至少一个实施例中,计算机系统2000是单处理器台式机或服务器系统,但是在另一实施例中,计算机系统2000可以是多处理器系统。在至少一个实施例中,处理器2002可以包括但不限于复杂指令集计算机(“CISC”)微处理器、精简指令集计算(“RISC”)微处理器、超长指令字(“VLIW”)微处理器、实现指令集组合的处理器,或任何其他处理器设备,例如数字信号处理器。在至少一个实施例中,处理器2002可以耦合到处理器总线2010,该处理器总线2010可以在处理器2002与计算机系统2000中的其他组件之间传输数据信号。
在至少一个实施例中,处理器2002可以包括但不限于1级(“L1”)内部高速缓存存储器(“cache”)2004。在至少一个实施例中,处理器2002可以具有单个内部高速缓存或多级内部缓存。在至少一个实施例中,高速缓冲存储器可以驻留在处理器2002的外部。根据特定的实现和需求,其他实施例也可以包括内部和外部高速缓存的组合。在至少一个实施例中,寄存器文件2006可以在各种寄存器中存储不同类型的数据,包括但不限于整数寄存器、浮点寄存器、状态寄存器和指令指针寄存器。
在至少一个实施例中,包括但不限于执行整数和浮点运算的逻辑的执行单元2008,其也位于处理器2002中。在至少一个实施例中,处理器2002还可以包括微码(“ucode”)只读存储器(“ROM”),用于存储某些宏指令的微代码。在至少一个实施例中,执行单元2008可以包括用于处理封装指令集2009的逻辑。在至少一个实施例中,通过将封装指令集2009包括在通用处理器2002的指令集中,以及要执行指令的相关电路,可以使用通用处理器2002中的封装数据来执行许多多媒体应用程序使用的操作。在一个或更多个实施例中,可以通过使用处理器的数据总线的全宽度来在封装的数据上执行操作来加速和更有效地执行许多多媒体应用程序,这可能不需要在处理器的数据总线上传输较小的数据单元来一次执行一个数据元素的一个或更多个操作。
在至少一个实施例中,执行单元2008也可以用在微控制器、嵌入式处理器、图形设备、DSP和其他类型的逻辑电路中。在至少一个实施例中,计算机系统2000可以包括但不限于存储器2020。在至少一个实施例中,存储器2020可以被实现为动态随机存取存储器(“DRAM”)设备、静态随机存取存储器(“SRAM”)设备、闪存设备或其他存储设备。在至少一个实施例中,存储器2020可以存储由处理器2002可以执行的由数据信号表示的指令2019和/或数据2021。
在至少一个实施例中,系统逻辑芯片可以耦合到处理器总线2010和存储器2020。在至少一个实施例中,系统逻辑芯片可以包括但不限于存储器控制器集线器(“MCH”)2016,并且处理器2002可以经由处理器总线2010与MCH 2016通信。在至少一个实施例中,MCH2016可以提供到存储器2020的高带宽存储器路径2018以用于指令和数据存储以及用于图形命令、数据和纹理的存储。在至少一个实施例中,MCH 2016可以在处理器2002、存储器2020和计算机系统2000中的其他组件之间启动数据信号,并且在处理器总线2010、存储器2020和系统I/O 2022之间桥接数据信号。在至少一个实施例中,系统逻辑芯片可以提供用于耦合到图形控制器的图形端口。在至少一个实施例中,MCH 2016可以通过高带宽存储器路径2018耦合到存储器2020,并且图形/视频卡2012可以通过加速图形端口(AcceleratedGraphics Port)(“AGP”)互连2014耦合到MCH 2016。
在至少一个实施例中,计算机系统2000可以使用系统I/O 2022作为专有集线器接口总线来将MCH 2016耦合到I/O控制器集线器(“ICH”)2030。在至少一个实施例中,ICH2030可以通过本地I/O总线提供与某些I/O设备的直接连接。在至少一个实施例中,本地I/O总线可以包括但不限于用于将外围设备连接到存储器2020、芯片组和处理器2002的高速I/O总线。示例可以包括但不限于音频控制器2029、固件集线器(“Flash BIOS”)2028、无线收发器2026、数据存储器2024、包含用户输入的传统I/O控制器2023和键盘接口2025、串行扩展端口2027(例如通用串行总线(USB))和网络控制器2034。数据存储装置2024可以包括硬盘驱动器、软盘驱动器、CD-ROM设备、闪存设备或其他大容量存储设备。
在至少一个实施例中,图20示出了包括互连的硬件设备或“芯片”的系统,而在其他实施例中,图20可以示出示例性片上系统(“SoC”)。在至少一个实施例中,设备可以与专有互连、标准化互连(例如,PCIe)或其某种组合互连。在至少一个实施例中,计算机系统2000的一个或更多个组件使用计算快速链路(CXL)互连来互连。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图20中使用,用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,这样的部件可用于确定对象相对于车辆的位置。
图21是示出根据至少一个实施例的用于利用处理器2110的电子设备2100的框图。在至少一个实施例中,电子设备2100可以是,例如但不限于,笔记本电脑、塔式服务器、机架服务器、刀片服务器、膝上型计算机、台式机、平板电脑、移动设备、电话、嵌入式计算机或任何其他合适的电子设备。
在至少一个实施例中,系统2100可以包括但不限于通信地耦合到任何合适数量或种类的组件、外围设备、模块或设备的处理器2110。在至少一个实施例中,处理器2110使用总线或接口耦合,诸如1℃总线、系统管理总线(“SMBus”)、低引脚数(LPC)总线、串行外围接口(“SPI”)、高清音频(“HDA”)总线、串行高级技术附件(“SATA”)总线、通用串行总线(“USB”)(1、2、3版)或通用异步接收器/发送器(“UART”)总线。在至少一个实施例中,图21示出了系统,该系统包括互连的硬件设备或“芯片”,而在其他实施例中,图21可以示出示例性片上系统(“SoC”)。在至少一个实施例中,图21中所示的设备可以与专有互连线、标准化互连(例如,PCIe)或其某种组合互连。在至少一个实施例中,图21的一个或更多个组件使用计算快速链路(CXL)互连线来互连。
在至少一个实施例中,图21可以包括显示器2124、触摸屏2125、触摸板2130、近场通信单元(“NFC”)2145、传感器集线器2140、热传感器2146、快速芯片组(“EC”)2135、可信平台模块(“TPM”)2138、BIOS/固件/闪存(“BIOS,FW Flash”)2122、DSP 2160、驱动器2120(例如固态磁盘(“SSD”)或硬盘驱动器(“HDD”))、无线局域网单元(“WLAN”)2150、蓝牙单元2152、无线广域网单元(“WWAN”)2156、全球定位系统(GPS)2155、相机(“USB 3.0相机”)2154(例如USB 3.0相机)和/或实现在例如LPDDR3标准低功耗双倍数据速率(“LPDDR”)存储单元(“LPDDR3”)2115。这些组件可以各自以任何合适的方式实现。
在至少一个实施例中,其他组件可以通过以上讨论的组件通信地耦合到处理器2110。在至少一个实施例中,加速度计2141、环境光传感器(“ALS”)2142、罗盘2143和陀螺仪2144可以可通信地耦合到传感器集线器2140。在至少一个实施例中,热传感器2139、风扇2137、键盘2146和触摸板2130可以通信地耦合到EC2135。在至少一个实施例中,扬声器2163、耳机2164和麦克风(“mic”)2165可以通信地耦合到音频单元(“音频编解码器和D类放大器”)2162,其又可以通信地耦合到DSP2160。在至少一个实施例中,音频单元2164可以包括例如但不限于音频编码器/解码器(“编解码器”)和D类放大器。在至少一个实施例中,SIM卡(“SIM”)2157可以通信地耦合到WWAN单元2156。在至少一个实施例中,组件(诸如WLAN单元2150和蓝牙单元2152以及WWAN单元2156)可以被实现为下一代形式因素(NGFF)。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图21中使用,用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图22示出了根据至少一个实施例的计算机系统2200。在至少一个实施例中,计算机系统2200配置为实现贯穿本公开描述的各种过程和方法。
在至少一个实施例中,计算机系统2200包括但不限于至少一个中央处理单元(“CPU”)2202,该中央处理单元(“CPU”)2202连接到使用任何合适协议实现的通信总线2210,诸如PCI(“外围设备互联”)、外围组件互连Express(“PCI-Express”)、AGP(“加速图形端口”)、超传输或任何其他总线或点对点通信协议。在至少一个实施例中,计算机系统2200包括但不限于主存储器2204和控制逻辑(例如,实现为硬件、软件或其组合),并且数据可以采取随机存取存储器(“RAM”)的形式存储在主存储器2204中。在至少一个实施例中,网络接口子系统(“网络接口”)2222提供到其他计算设备和网络的接口,用于从计算机系统2200接收数据并将数据传输到其他系统。
在至少一个实施例中,计算机系统2200在至少一个实施例中包括但不限于输入设备2208、并行处理系统2212和显示设备2206,它们可以使用常规的阴极视线管(“CRT”)、液晶显示器(“LCD”)、发光二极管(“LED”)、等离子显示器或其他合适的显示技术实现。在至少一个实施例中,从输入设备2208(诸如键盘、鼠标、触摸板、麦克风等)接收用户输入。在至少一个实施例中,前述模块中的每一个可以位于单个半导体平台上以形成处理系统。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图22中使用,以至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来进行推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图23示出了根据至少一个实施例的计算机系统2300。在至少一个实施例中,计算机系统2300包括但不限于计算机2310和USB盘2320。在至少一个实施例中,计算机2310可以包括但不限于任何数量和类型的处理器(未示出)和存储器(未示出)。在至少一个实施例中,计算机2310包括但不限于服务器、云实例、膝上型计算机和台式计算机。
在至少一个实施例中,USB盘2320包括但不限于处理单元2330、USB接口2340和USB接口逻辑2350。在至少一个实施例中,处理单元2330可以是任何指令执行系统、装置或能够执行指令的设备。在至少一个实施例中,处理单元2330可以包括但不限于任何数量和类型的处理核心(未示出)。在至少一个实施例中,处理核心2330包括专用集成电路(“ASIC”),该专用集成电路被优化为执行与机器学习相关联的任何数量和类型的操作。例如,在至少一个实施例中,处理核心2330是张量处理单元(“TPC”),其被优化以执行机器学习推理操作。在至少一个实施例中,处理核心2330是视觉处理单元(“VPU”),其被优化以执行机器视觉和机器学习推理操作。
在至少一个实施例中,USB接口2340可以是任何类型的USB连接器或USB插座。例如,在至少一个实施例中,USB接口2340是用于数据和电源的USB 3.0 Type-C插座。在至少一个实施例中,USB接口2340是USB 3.0 Type-A连接器。在至少一个实施例中,USB接口逻辑2350可以包括使处理单元2330能够经由USB连接器2340与设备(例如计算机2310)相连接的任何数量和类型的逻辑。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图23中使用,至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图24A示出了示例性架构,其中多个GPU 2410-2413通过高速链路2440-2443(例如,总线、点对点互连等)通信地耦合到多个多核心处理器2405-2406。在一个实施例中,高速链路2440-2443支持4GB/s、30GB/s、80GB/s或更高的通信吞吐量。可以使用各种互连协议,包括但不限于PCIe 4.0或5.0和NVLink 2.0。
另外,在一个实施例中,GPU 2410-2413中的两个或更多个通过高速链路2429-2430互连,可以使用与用于高速链路2440-2443的协议/链路相同或不同的协议/链路来实现。类似地,两个或更多个多核心处理器2405-2406可以通过高速链路2428连接,该高速链路可以是以20GB/s、30GB/s、120GB/s或更高的速度运行的对称多处理器(SMP)总线。可替代地,图24A中所示的各种系统组件之间的所有通信可以使用相同的协议/链路(例如,通过共同的互连结构)来完成。
在一个实施例中,每个多核心处理器2405-2406分别经由存储器互连2426-2427通信地耦合至处理器存储器2401-2402,并且每个GPU 2410-2413分别通过GPU存储器互连2450-2453通信地耦合至GPU存储器2420-2423。存储器互连2426-2427和2450-2453可以利用相同或不同的存储器访问技术。作为示例而非限制,处理器存储器2401-2402和GPU存储器2420-2423可以是易失性存储器,诸如动态随机存取存储器(DRAM)(包括堆叠的DRAM)\图形DDR SDRAM(GDDR)(例如,GDDR5、GDDR6)或高带宽存储器(HBM)和/或可以是非易失性存储器,例如3D XPoint或Nano-Ram。在一个实施例中,处理器存储器2401-2402的某些部分可以是易失性存储器,而另一部分可以是非易失性存储器(例如,使用两级存储器(2LM)层次结构)。
如下所述,尽管各种处理器2405-2406和GPU 2410-2413可以分别物理耦合到特定的存储器2401-2402、2420-2423,可以实现统一的存储器架构,其中相同的虚拟系统地址空间(也称为“有效地址”空间)分布在各种物理存储器之间。例如,处理器存储器2401-2402每个可以包括64GB的系统存储器地址空间,而GPU存储器2420-2423每个可以包括32GB的系统存储器地址空间(在此示例中总共为256GB可寻址存储器)。
图24B示出了根据一个示例性实施例的用于多核心处理器2407和图形加速模块2446之间的互连的附加细节。图形加速模块2446可以包括集成在通过高速链路2440耦合到处理器2407的线卡上的一个或更多个GPU芯片。可替代地,图形加速模块2446可以与处理器2407集成在同一封装或芯片上。
在至少一个实施例中,所示的处理器2407包括多个核心2460A-2460D,每个核心具有转换后备缓冲区2461A-2461D和一个或更多个高速缓存2462A-2462D。在至少一个实施例中,核心2460A-2460D可以包括用于执行未示出的指令和处理数据的各种其他组件。高速缓存2462A-2462D可以包括1级(L1)和2级(L2)高速缓存。此外,一个或更多个共享高速缓存2456可以被包括在高速缓存2462A-2462D中并且由一组核心2460A-2460D共享。例如,处理器2407的一个实施例包括24个核心,每个核心具有其自己的L1高速缓存、十二个共享的L2高速缓存和十二个共享的L3高速缓存。在这一实施例中,两个相邻核心共享一个或更多个L2和L3高速缓存。处理器2407和图形加速模块2446与系统存储器2414连接,其可以包括图24A的处理器存储器2401-2402。
经由相干总线2464上的核心间通信,为存储在各种高速缓存2462A-2462D、2456和系统存储器2414中的数据和指令保持相干。例如,每个高速缓存可具有与其关联的高速缓存相干逻辑/电路以响应于所检测到的对特定高速缓存线的读取或写入通过相干总线2464进行通信。在一种实现中,在相干总线2464上实现了高速缓存监听协议以监听高速缓存访问。
在一个实施例中,代理电路2425将图形加速模块2446通信地耦合到相干总线2464,从而允许图形加速模块2446作为核心2460A-2460D的对等方参与高速缓存相干协议。特别地,接口2435通过高速链路2440(例如,PCIe总线、NVLink等)提供到代理电路2425的连接,并且接口2437将图形加速模块2446连接到链路2440。
在一种实现中,加速器集成电路2436代表图形加速模块2446的多个图形处理引擎2431、2432、N提供高速缓存管理、存储器访问、环境管理和中断管理服务。图形处理引擎2431、2432、N可以各自包括单独的图形处理单元(GPU)。可选地,图形处理引擎2431、2432、N可包括GPU内的不同类型的图形处理引擎,例如图形执行单元、媒体处理引擎(例如,视频编码器/解码器)、采样器和blit引擎。在至少一个实施例中,图形加速模块2446可以是具有多个图形处理引擎2431-2432、N或图形处理引擎2431-2432的GPU,N可以是集成在通用封装、线卡或芯片上的各个GPU。
在一个实施例中,加速器集成电路2436包括存储器管理单元(MMU)2439,用于执行各种存储器管理功能,例如虚拟到物理的存储器转换(也称为有效到实际的存储器转换)和用于访问系统存储器2414的存储器访问协议。MMU2439还可以包括转换后备缓冲区(TLB)(未示出),用于将虚拟/有效地址缓存为物理/实际地址转换。在一种实现中,高速缓存2438存储命令和数据,以供图形处理引擎2431-2432、N有效访问。在一个实施例中,存储在高速缓存2438和图形存储器2433-2434、M中的数据与核心高速缓存2462A-2462D、2456和系统存储器2414保持一致。如上所述,这可以经由代理电路2425代表高速缓存2438和存储器2433-2434、M来完成(例如,将与处理器缓存2462A-2462D,2456上的高速缓存行的修改/访问有关的更新发送到高速缓存2438,并从高速缓存2438接收更新)。
一组寄存器2445存储由图形处理引擎2431-2432、N执行的线程的环境数据,并且环境管理电路2448管理线程环境。例如,环境管理电路2448可以执行保存和还原操作以在环境切换期间保存和还原各种线程的环境(例如,其中保存第一线程并且存储第二线程,使得第二线程可以由图形处理引擎执行)。例如,在环境切换器上,环境管理电路2448可以将当前寄存器值存储到存储器中的指定区域(例如,由环境指针标识)。然后,当返回环境时,它可以恢复寄存器值。在一个实施例中,中断管理电路2447接收并处理从系统设备接收的中断。
在一个实施例中,MMU 2439将来自图形处理引擎2431的虚拟/有效地址转换为系统存储器2414中的实际/物理地址。加速器集成电路2436的一个实施例支持多个(例如4、8、16)图形加速器模块2446和/或其他加速器设备。图形加速器模块2446可以专用于在处理器2407上执行的单个应用,或者可以在多个应用之间共享。在一个实施例中,提出了一种虚拟化的图形执行环境,其中图形处理引擎2431-2432、N的资源与多个应用程序或虚拟机(VM)共享。在至少一个实施例中,可以基于与虚拟机和/或应用程序相关联的处理要求和优先级,将资源细分为“片”,将其分配给不同的虚拟机和/或应用程序。
在至少一个实施例中,加速器集成电路2436充当用于图形加速模块2446的系统的桥梁,并提供地址转换和系统存储器高速缓存服务。另外,加速器集成电路2436可以为主机处理器提供虚拟化设施,以管理图形处理引擎2431-2432、N的虚拟化,中断和存储器管理。
因为图形处理引擎2431-2432、N的硬件资源被显式映射到主机处理器2407看到的实际地址空间,所以任何主机处理器都可以使用有效地址值直接寻址这些资源。在一个实施例中,加速器集成电路2436的一个功能是物理分隔图形处理引擎2431-2432、N,使得它们在系统中表现为独立的单元。
在至少一个实施例中,一个或更多个图形存储器2433-2434、M分别耦合到图形处理引擎2431-2432、N中的每一个。图形存储器2433-2434、M存储由图形处理引擎2431-2432、N中的每一个处理的指令和数据。图形存储器2433-2434、M可以是易失性存储器,例如DRAM(包括堆叠的DRAM)、GDDR存储器(例如,GDDR5、GDDR6)或HBM,和/或可以是非易失性存储器,例如3D XPoint或Nano-Ram。
在一个实施例中,为了减少链路2440上的数据流量,使用偏置技术以确保存储在图形存储器2433-2434、M中的数据将是图形处理引擎2431-2432、N最频繁使用的数据,并且最好不被核心2460A-2460D使用(至少不经常使用)。类似地,偏置机制尝试将核心(最好不是图形处理引擎2431-2432、N)所需的数据保留在核心和系统存储器2414的高速缓存2462A-2462D、2456中。
图24C示出了另一示例性实施例,其中加速器集成电路2436被集成在处理器2407内。在至少该实施例中,图形处理引擎2431-2432、N经由接口2437和接口2435通过高速链路2440直接通信到加速器集成电路2436(其中,再次可以使用任何形式的总线或接口协议)。加速器集成电路2436可以执行与关于图24B描述的相同的操作,但是鉴于其紧密靠近相干总线2464和高速缓存2462A-2462D、2456,可能具有较高的吞吐量。至少一个实施例支持不同的编程模型,包括专用过程编程模型(无图形加速模块虚拟化)和共享编程模型(具有虚拟化),其可以包括由加速器集成电路2436控制的编程模型和由图形加速模块2446控制的编程模型。
在至少一个实施例中,图形处理引擎2431-2432、N专用于单个操作系统下的单个应用程序或过程。在至少一个实施例中,单个应用程序可以将其他应用请求集中到图形处理引擎2431-2432、N,从而在VM/分区内提供虚拟化。
在至少一个实施例中,图形处理引擎2431-2432、N可以由多个VM/应用程序分区共享。在至少一个实施例中,共享模型可以使用系统管理程序来虚拟化图形处理引擎2431-2432、N以允许被每个操作系统访问。对于没有管理程序的单分区系统,操作系统拥有图形处理引擎2431-2432、N。在至少一个实施例中,操作系统可以虚拟化图形处理引擎2431-2432、N以提供对每个进程或应用程序的访问。
在至少一个实施例中,图形加速模块2446或单独的图形处理引擎2431-2432、N使用过程句柄来选择过程元素。在至少一个实施例中,处理元件被存储在系统存储器2414中,并且可使用本文所述的有效地址到实地址转换技术来寻址。在至少一个实施例中,过程句柄可以是在向图形处理引擎2431-2432、N注册其环境时向主机过程提供的特定于实现的值(即,调用系统软件以将过程元素添加到过程元素链表)。在至少一个实施例中,过程句柄的低16位可以是过程元素链表中过程元素的偏移量。
图24D示出了示例性加速器集成切片2490。如本文所使用的,“片”包括加速器集成电路2436的处理资源的指定部分。系统存储器2414内的应用有效地址空间2482存储过程元素2483。在一个实施例中,响应于来自处理器2407上执行的应用程序2480的GPU调用2481而存储过程元素2483。过程元素2483包含对应应用程序2480的处理状态。包含在处理元素2483中的工作描述符(WD)2484可以是应用程序请求的单个作业或可能包含指向作业队列的指针。在至少一个实施例中,WD 2484是指向应用程序地址空间2482中的作业请求队列的指针。
图形加速模块2446和/或各个图形处理引擎2431-2432、N可以由系统中的全部或部分进程共享。在至少一个实施例中,可以包括用于建立处理状态并将WD 2484发送到图形加速模块2446以在虚拟化环境中开始作业的基础设施。
在至少一个实施例中,专用进程编程模型是针对实现的。在该模型中,单个进程拥有图形加速模块2446或单个图形处理引擎2431。由于图形加速模块2446由单个进程拥有,因此管理程序为拥有的分区初始化加速器集成电路2436,并且当分配图形加速模块2446时操作系统对加速器集成电路2436进行初始化以用于拥有的分区。
在操作中,加速器集成切片2490中的WD获取单元2491获取下一个WD 2484,其中包括要由图形加速模块2446的一个或更多个图形处理引擎完成的工作的指示。来自WD 2484的数据可以存储在寄存器2445被MMU 2439、中断管理电路2447和/或环境管理电路2448使用,如图所示。例如,MMU 2439的一个实施例包括用于访问OS虚拟地址空间2485内的段/页表2486的段/页面漫游电路。中断管理电路2447可以处理从图形加速模块2446接收到的中断事件2492。当执行图形操作时,由图形处理引擎2431-2432、N产生的有效地址2493由MMU2439转换为实际地址。
在一个实施例中,为每个图形处理引擎2431-2432、N和/或图形加速模块2446复制相同的寄存器组2445,并且可以由系统管理程序或操作系统来初始化。这些复制的寄存器中的每一个都可以包含在加速器集成切片2490中。表1中显示了可由管理程序初始化的示例性寄存器。
表1–管理程序初始化的寄存器
表2中示出了可以由操作系统初始化的示例性寄存器。
表2–操作系统初始化寄存器
1 | 进程和线程识别 |
2 | 有效地址(EA)环境保存/还原指针 |
3 | 虚拟地址(VA)加速器利用率记录指针 |
4 | 虚拟地址(VA)存储分段表指针 |
5 | 权威面具 |
6 | 工作描述符 |
在一个实施例中,每个WD 2484特定于特定的图形加速模块2446和/或图形处理引擎2431-2432、N。它包含图形处理引擎2431-2432、N进行工作或工作所需的所有信息,或者它可以是指向存储器位置的指针,其中应用程序建立了要完成的工作的命令队列。
图24E示出了共享模型的一个示例性实施例的附加细节。该实施例包括管理程序实地址空间2498,其中存储了过程元素列表2499。可以通过管理程序2496来访问管理程序实际地址空间2498,其中管理程序2496对图形加速模块引擎进行虚拟化以用于操作系统2495。
在至少一个实施例中,共享的编程模型允许系统中全部或部分分区的全部或部分进程使用图形加速模块2446。存在两个共享图形加速模块2446的编程模型由多个进程和分区共享:时间片共享和图形方向共享。
在此模型中,系统管理程序2496拥有图形加速模块2446,并且其功能可用于所有操作系统2495。为使图形加速模块2446支持系统管理程序2496进行虚拟化,图形加速模块2446可遵循以下规定:1)应用程序的作业请求必须是自主的(即,不需要在作业之间保持状态),或者图形加速模块2446必须提供环境保存和还原机制。2)应用程序的作业请求由图形加速模块2446保证以在指定的时间内完成,包括任何翻译错误,或者图形加速模块2446提供了抢占作业处理的能力。3)在有定向共享编程模型中操作时,必须确保图形加速模块2446在进程之间的公平性。
在至少一个实施例中,需要应用程序2480进行具有图形加速模块2446类型、工作描述符(WD)、权限掩码寄存器(AMR)值和环境保存/恢复区域指针(CSRP)的操作系统2495系统调用。在至少一个实施例中,图形加速模块2446类型描述了用于系统调用的目标加速功能。在至少一个实施例中,图形加速模块2446的类型可以是针对系统的值。在至少一个实施例中,WD是专门为图形加速模块2446格式化的,并且可以采用图形加速模块2446命令、指向用户定义结构的有效地址指针、指向命令队列的有效地址指针或任何其他数据结构的形式来描述要由图形加速模块2446完成的工作。在一个实施例中,AMR值是要用于当前过程的AMR状态。在至少一个实施例中,传递给操作系统的值类似于AMR的应用程序设置。如果加速器集成电路2436和图形加速模块2446实现不支持用户权限掩码覆盖寄存器(UAMOR),则操作系统可以在管理程序调用中传递AMR之前将当前UAMOR值应用于AMR值。管理程序2496可以在将AMR放入过程元素2483之前,可选地应用当前的授权掩码覆盖寄存器(AMOR)值。在至少一个实施例中,CSRP是寄存器2445之一,其中包含应用程序有效地址空间2482中某个区域的有效地址,用于图形加速模块2446保存和恢复环境状态。如果不需要在作业之间保存状态或当作业被抢占时,则此指针是可选的。在至少一个实施例中,环境保存/恢复区域可以是固定的系统存储器。
在接收到系统调用之后,操作系统2495可以验证应用程序2480已经被注册并且被授予使用图形加速模块2446的权限。然后,操作系统2495使用表3中所示的信息来调用系统管理程序2496。
表3–OS到管理程序(Hypervisor)的调用参数
在接收到系统管理程序调用后,系统管理程序2496验证操作系统2495已注册并被授予使用图形加速模块2446的权限。系统管理程序2496然后将过程元素2483放入对应的图形加速模块2446类型的过程元素链表中。过程元素可能包含表4中所示的信息。
表4–过程元素信息
在至少一个实施例中,管理程序初始化多个加速器集成切片2490寄存器2445。
如图24F所示,在至少一个实施例中,使用统一存储器,该统一存储器可通过用于访问物理处理器存储器2401-2402和GPU存储器2420-2423的公共虚拟存储器地址空间来寻址。在该实现中,在GPU 2410-2413上执行的操作利用相同的虚拟/有效存储器地址空间来访问处理器存储器2401-2402,反之亦然,从而简化了可编程性。在一个实施例中,虚拟/有效地址空间的第一部分被分配给处理器存储器2401,第二部分被分配给第二处理器存储器2402,第三部分被分配给GPU存储器2420,等等。在至少一个实施例中,整个虚拟/有效存储器空间(有时称为有效地址空间)由此分布在处理器存储器2401-2402和GPU存储器2420-2423的每一个中,从而允许任何处理器或GPU访问具有映射到该存储器的虚拟地址的任何物理存储器。
在一个实施例中,一个或更多个MMU 2439A-2439E内的偏置/相干管理电路2494A-2494E确保一个或更多个主机处理器(例如2405)和GPU2410-2413的高速缓存之间的高速缓存相干,并实现指示物理存储器的偏置技术,其中应存储某些类型的数据。尽管在图24F中示出了偏置/相干管理电路2494A-2494E的多个实例,可以在一个或更多个主机处理器2405的MMU内和/或在加速器集成电路2436内实现偏置/相干电路。
一个实施例允许附有GPU的存储器2420-2423被映射为系统存储器的一部分,并使用共享虚拟存储器(SVM)技术进行访问,但是没有遭受与完整的系统高速缓存相干相关的性能缺陷。在至少一个实施例中,将附接的GPU的存储器2420-2423作为系统存储器来访问而没有繁重的高速缓存相干开销的能力为GPU卸载提供了有益的操作环境。这种安排允许主机处理器2405软件设置操作数并访问计算结果,而不会产生传统I/O DMA数据副本的开销。此类传统副本涉及驱动程序调用、中断和存储器映射的I/O(MMIO)访问,相对于简单的存储器访问而言,这些访问效率均较低。在至少一个实施例中,在没有高速缓存相干开销的情况下访问GPU附接的存储器2420-2423的能力对于卸载计算的执行时间是至关重要的。例如,在具有大量流写入存储器流量的情况下,缓存相干开销会大大降低GPU2410-2413看到的有效写入带宽。在至少一个实施例中,操作数设置的效率、结果访问的效率以及GPU计算的效率可以在确定GPU卸载的效率中起作用。
在至少一个实施例中,GPU偏置和主处理器偏置的选择由偏置跟踪器数据结构驱动。可以使用例如偏置表,该偏置表可以是页面粒度结构(即,以存储器页面的粒度来控制),每个GPU连接的存储器页面包括1或2位。在至少一个实施例中,可以在一个或更多个GPU附接的存储器2420-2423的被盗存储器范围中实现偏置表,在GPU 2410-2413中具有或不具有偏置缓存(例如,以高速缓存频繁/最近使用的偏置表条目)。可替代地,可以在GPU内维护整个偏置表。
在至少一个实施例中,在实际访问GPU存储器之前访问与对GPU附接的存储器2420-2423的每次访问相关联的偏置表条目,从而导致以下操作。首先,来自GPU 2410-2413的本地请求在GPU偏置中找到其页面被直接转发到相应的GPU存储器2420-2423。来自GPU的在主机偏置中找到其页面的本地请求被转发到处理器2405(例如,通过如上所述的高速链路)。在一个实施例中,来自处理器2405的在主机处理器偏置中找到所请求页面的请求完成了与普通存储器读取类似的请求。备选地,可以将针对GPU偏置的页面的请求转发给GPU2410-2413。在至少一个实施例中,如果GPU当前不使用页面,则GPU可以将页面转换为主机处理器偏置。在至少一个实施例中,页面的偏置状态可以通过基于软件的机制、基于硬件辅助的软件的机制,或者在有限的情况下,可以纯粹基于硬件的机制来改变。
一种用于改变偏置状态的机制采用API调用(例如OpenCL),该调用反过来又调用GPU的设备驱动程序,该设备驱动程序反过来又向GPU发送消息(或排队命令描述符),将其引导到更改偏置状态,并在某些转换中在主机中执行缓存刷新操作。在至少一个实施例中,高速缓存刷新操作用于从主机处理器2405偏置到GPU偏置的转变,但是不用于相反的转变。
在一个实施例中,通过暂时渲染由主机处理器2405无法缓存的GPU偏置的页面,来保持缓存相干。为了访问这些页面,处理器2405可以请求从GPU 2410进行访问,其可以立即授予或不授予访问权限。因此,为了减少处理器2405与GPU 2410之间的通信,有利的是确保GPU偏置的页面是GPU所需要的页面,而不是主机处理器2405所需要的页面,反之亦然。
推理和/或训练逻辑1715用于执行一个或更多个实施例。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图25示出了根据本文所述的各种实施例的示例性集成电路和相关联的图形处理器,其可以使用一个或更多个IP核心来制造。除了图示之外,在至少一个实施例中可以包括其他逻辑和电路,包括附加的图形处理器/核心、外围接口控制器或通用处理器核心。
图25是示出根据至少一个实施例的可使用一个或更多个IP核心制造的芯片集成电路2500上的示例性系统的框图。在至少一个实施例中,集成电路2500包括一个或更多个应用处理器2505(例如,CPU)、至少一个图形处理器2510,并且可以另外包括图像处理器2515和/或视频处理器2520,其中任意一个可能是模块化IP核心。在至少一个实施例中,集成电路2500包括外围或总线逻辑,其包括USB控制器2525、UART控制器2530、SPI/SDIO控制器2535和I2S/I2C控制器2540。在至少一个实施例中,集成电路2500可以包括显示设备2545耦合到高清多媒体接口(HDMI)控制器2550和移动工业处理器接口(MIPI)显示接口2555中的一个或更多个。在至少一个实施例中,存储器可以由闪存子系统2560提供,包括闪存和闪存控制器。在至少一个实施例中,可以经由存储器控制器2565提供存储器接口以用于访问SDRAM或SRAM存储器设备。在至少一个实施例中,一些集成电路还包括嵌入式安全引擎2570。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在集成电路2500中用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文描述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图26A-26B示出了根据本文所述的各种实施例的示例性集成电路和相关联的图形处理器,其可以使用一个或更多个IP核心来制造。除了图示之外,在至少一个实施例中可以包括其他逻辑和电路,包括附加的图形处理器/核心、外围接口控制器或通用处理器核心。
图26A-26B是示出根据本文描述的实施例的在SoC内使用的示例性图形处理器的框图。图26A示出了根据至少一个实施例的芯片集成电路上系统的示例性图形处理器2610,其可以使用一个或更多个IP核心来制造。图26B示出了根据至少一个实施例的芯片集成电路上系统的另外示例性图形处理器2640,其可以使用一个或更多个IP核心来制造。在至少一个实施例中,图26A的图形处理器2610是低功耗图形处理器核心。在至少一个实施例中,图26B的图形处理器2640是更高性能的图形处理器核心。在至少一个实施例中,每个图形处理器2610、2640可以是图25的图形处理器2510的变体。
在至少一个实施例中,图形处理器2610包括顶点处理器2605和一个或更多个片段处理器2615A-2615N(例如2615A、2615B、2615C、2615D至2615N-1和2615N)。在至少一个实施例中,图形处理器2610可以经由单独的逻辑来执行不同的着色器程序,使得顶点处理器2605被优化以执行针对顶点着色器程序的操作,而一个或更多个片段处理器2615A-2615N执行片段(例如,像素)着色操作用于片段或像素或着色器程序。在至少一个实施例中,顶点处理器2605执行3D图形管线的顶点处理阶段并生成图元和顶点数据。在至少一个实施例中,片段处理器2615A-2615N使用由顶点处理器2605生成的图元和顶点数据来生成在显示设备上显示的帧缓冲区。在至少一个实施例中,片段处理器2615A-2615N被优化以执行如在OpenGL API中所提供的片段着色器程序,其可以用于执行与在Direct 3D API中所提供的像素着色器程序类似的操作。
在至少一个实施例中,图形处理器2610附加地包括一个或更多个存储器管理单元(MMU)2620A-2620B、高速缓存2625A-2625B和电路互连2630A-2630B。在至少一个实施例中,一个或更多个MMU 2620A-2620B提供用于图形处理器2610的虚拟到物理地址的映射,包括用于顶点处理器2605和/或片段处理器2615A-2615N,其可以引用存储在存储器中的顶点或图像/纹理数据,除了存储在一个或更多个高速缓存2625A-2625B中的顶点或图像/纹理数据之外。在至少一个实施例中,一个或更多个MMU 2620A-2620B可以与系统内的其他MMU同步,包括与图像25的一个或更多个应用处理器2505、图像处理器2515和/或视频处理器2520相关联的一个或更多个MMU,使得每个处理器2505-2520可以参与共享或统一的虚拟存储器系统。在至少一个实施例中,一个或更多个电路互连2630A-2630B使图形处理器2610能够经由SoC的内部总线或经由直接连接与SoC内的其他IP核心相连接。
在至少一个实施例中,图形处理器2640包括图26A的图形处理器2610的一个或更多个MMU 2620A-2620B、高速缓存2625A-2625B和电路互连2630A-2630B。在至少一个实施例中,图形处理器2640包括一个或更多个着色器核心2655A-2655N(例如,2655A、2655B、2655C、2655D、2655E、2655F、直到2655N-1和2655N),其提供了统一的着色器核心架构,其中单个核心或类型或核心可以执行所有类型的可编程着色器代码,包括用于实现顶点着色器、片段着色器和/或计算着色器的着色器程序代码。在至少一个实施例中,多个着色器核心可以变化。在至少一个实施例中,图形处理器2640包括核心间任务管理器2645,其充当线程分派器以将执行线程分派给一个或更多个着色器核心2655A-2655N和分块单元2658,以加速基于图块渲染的分块操作,其中在图像空间中细分了场景的渲染操作,例如,以利用场景内的局部空间相干或优化内部缓存的使用。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在集成电路26A和/或26B中用于至少部分地基于使用神经网络训练操作、神经网络功能或架构,或本文所述的神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图27A-27B示出了根据本文描述的实施例的附加的示例性图形处理器逻辑。在至少一个实施例中,图27A示出了可以包括在图25的图形处理器2510内的图形核心2700,在至少一个实施例中,可以是图26B中统一的着色器核心2655A-2655N。图27B示出了在至少一个实施例中的适用于在多芯片模块上部署的高度并行的通用图形处理单元2730。
在至少一个实施例中,图形核心2700包括共享指令高速缓存2702、纹理单元2718和高速缓存/共享存储器2720,它们是图形核心2700内的执行资源所共有的。在至少一个实施例中,图形核心2700可以包括多个切片2701A-2701N或每个核心的分区,图形处理器可以包括图形核心2700的多个实例。切片2701A-2701N可以包括支持逻辑,该支持逻辑包括本地指令高速缓存2704A-2704N、线程调度器2706A-2706N、线程分派器2708A-2708N和一组寄存器2710A-2710N。在至少一个实施例中,切片2701A-2701N可以包括一组附加功能单元(AFU2712A-2712N)、浮点单元(FPU 2714A-2714N)、整数算术逻辑单元(ALU 2716-2716N)、地址计算单元(ACU 2713A-2713N)、双精度浮点单元(DPFPU 2715A-2715N)和矩阵处理单元(MPU2717A-2717N)。
在至少一个实施例中,FPU 2714A-2714N可以执行单精度(32位)和半精度(16位)浮点运算,而DPFPU 2715A-2715N可以执行双精度(64位)浮点运算点操作。在至少一个实施例中,ALU 2716A-2716N可以以8位、16位和32位精度执行可变精度整数运算,并且可以被配置用于混合精度运算。在至少一个实施例中,MPU 2717A-2717N还可被配置用于混合精度矩阵运算,包括半精度浮点运算和8位整数运算。在至少一个实施例中,MPU 2717A-2717N可以执行各种矩阵操作以加速机器学习应用框架,包括使得能够支持加速的通用矩阵到矩阵乘法(GEMM)。在至少一个实施例中,AFU 2712A-2712N可以执行浮点数或整数单元不支持的附加逻辑运算,包括三角运算(例如,Sine、Cosine等)。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形核心2700中用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文描述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图27B示出了在至少一个实施例中的通用处理单元(GPGPU)2730,其可以被配置为使得高度并行的计算操作能够由图形处理单元阵列来执行。在至少一个实施例中,GPGPU2730可以直接链路到GPGPU 2730的其他实例,以创建多GPU集群以提高用于深度神经网络的训练速度。在至少一个实施例中,GPGPU 2730包括主机接口2732以实现与主机处理器的连接。在至少一个实施例中,主机接口2732是PCI Express接口。在至少一个实施例中,主机interjace2732可以是厂商专用的通信接口或通信结构。在至少一个实施例中,GPGPU 2730从主机处理器接收命令,并使用全局调度器2734将与那些命令相关联的执行线程分派给一组计算集群2736A-2736H。在至少一个实施例中,计算集群2736A-2736H共享高速缓冲存储器2738。在至少一个实施例中,高速缓冲存储器2738可以用作计算集群2736A-2736H内的高速缓冲存储器的高级高速缓存。
在至少一个实施例中,GPGPU 2730包括经由一组存储器控制器2742A-2742B与计算集群2736A-2736H耦合的存储器2744A-2744B。在至少一个实施例中,存储器2744A-2744B可以包括各种类型的存储器设备,包括动态随机存取存储器(DRAM)或图形随机存取存储器,例如同步图形随机存取存储器(SGRAM),包括图形双倍数据速率(GDDR)存储器。
在至少一个实施例中,计算集群2736A-2736H各自包括一组图形核心,诸如图27A的图形核心2700,其可以包括多种类型的整数和浮点逻辑单元,其可以以包括用于在适用于机器学习计算的精度范围内执行计算操作。例如,在至少一个实施例中,每个计算集群2736A-2736H中的浮点单元的至少一个子集可以配置为执行16位或32位浮点运算,而不同的浮点单元的子集可以配置为执行64位浮点运算。
在至少一个实施例中,GPGPU 2730的多个实例可以被配置为操作为计算集群。在至少一个实施例中,计算集群2736A-2736H用于同步和数据交换的通信在实施例之间变化。在至少一个实施例中,GPGPU 2730的多个实例通过主机接口2732进行通信。在至少一个实施例中,GPGPU 2730包括I/O集线器2739,其将GPGPU 2730与GPU链路2740耦合,使得能够直接连接至GPGPU2730的其他的实例。在至少一个实施例中,GPU链路2740耦合到专用GPU到GPU桥接器,其使得能够在GPGPU 2730的多个实例之间进行通信和同步。在至少一个实施例中,GPU链路2740与高速互连耦合,以向其他GPGPU或并行处理器发送和接收数据。在至少一个实施例中,GPGPU2730的多个实例位于单独的数据处理系统中,并经由可经由主机接口2732访问的网络设备进行通信。在至少一个实施例中,GPU链路2740可被配置为能够连接到主机处理器,附加或替代主机接口2732。
在至少一个实施例中,GPGPU 2730可以配置为训练神经网络。在至少一个实施例中,可以在推理平台内使用GPGPU 2730。在其中使用GPGPU 2730进行推理的至少一个实施例中,相对于当使用GPGPU训练神经网络时,GPGPU可以包括更少的计算集群2736A-2736H。在至少一个实施例中,与存储器2744A-2744B相关联的存储器技术可以在推理和训练配置之间有所不同,其中更高带宽的存储器技术专用于训练配置。在至少一个实施例中,GPGPU2730的推理配置可以支持推理特定指令。例如,在至少一个实施例中,推理配置可以提供对一个或更多个8位整数点积指令的支持,该指令可以在部署的神经网络的推理操作期间使用。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在GPGPU 2730中用于至少部分地基于本文描述的使用神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图28是示出根据至少一个实施例的计算系统2800的框图。在至少一个实施例中,计算系统2800包括具有一个或更多个处理器2802的处理子系统2801和经由可以包括存储器集线器2805的互连路径通信的系统存储器2804。在至少一个实施例中,存储器集线器2805可以是芯片组组件内的单独组件,也可以集成在一个或更多个处理器2802内。在至少一个实施例中,存储器集线器2805通过通信链路2806与I/O子系统2811耦合。在一实施例中,I/O子系统2811包括I/O集线器2807,其可以使计算系统2800能够接收来自一个或更多个输入设备2808的输入。在至少一个实施例中,I/O集线器2807可以使能显示控制器,其包括在一个或更多个处理器2802中,用于向一个或更多个显示设备2810A提供输出。在至少一个实施例中,与I/O集线器2807耦合的一个或更多个显示设备2810A可以包括本地、内部或嵌入式显示设备。
在至少一个实施例中,处理子系统2801包括经由总线或其他通信链路2813耦合到存储器集线器2805的一个或更多个并行处理器2812。在至少一个实施例中,通信链路2813可以是许多基于标准的通信链路技术或协议中的一种,例如但不限于PCI Express,或者可以是针对供应商的通信接口或通信结构。在至少一个实施例中,一个或更多个并行处理器2812形成计算集中的并行或向量处理系统,该系统可以包括大量的处理核心和/或处理集群,例如多集成核心(MIC)处理器。在至少一个实施例中,一个或更多个并行处理器2812形成可以将像素输出到经由I/O集线器2807耦合的一个或更多个显示设备2810A之一的图形处理子系统。在至少一个实施例中,一个或更多个并行处理器2812还可以包括显示控制器和显示接口(未示出),以使得能够直接连接到一个或更多个显示设备2810B。
在至少一个实施例中,系统存储单元2814可以连接到I/O集线器2807,以提供用于计算系统2800的存储机制。在至少一个实施例中,I/O开关2816可以用于提供接口机制,以实现I/O集线器2807与其他组件之间的连接,例如可以集成到平台中的网络适配器2818和/或无线网络适配器2819,以及可以通过一个或更多个附加设备2820添加的各种其他设备。在至少一个实施例中,网络适配器2818可以是以太网适配器或另一有线网络适配器。在至少一个实施例中,无线网络适配器2819可以包括Wi-Fi、蓝牙、近场通信(NFC)的一个或更多个或其他包括一个或更多个无线电的网络设备。
在至少一个实施例中,计算系统2800可以包括未明确示出的其他组件,包括USB或其他端口连接、光存储驱动器、视频捕获设备等,也可以连接到I/O集线器2807。在至少一个实施例中,对图28中的各个组件进行互连的通信路径可以使用任何合适的协议来实现,诸如基于PCI(外围组件互连)的协议(例如,PCI-Express),或其他总线或点对点通信接口和/或协议(例如,NV-链路高速互连或互连协议)。
在至少一个实施例中,一个或更多个并行处理器2812包括针对图形和视频处理而优化的电路(包括例如视频输出电路),并构成图形处理单元(GPU)。在至少一个实施例中,一个或更多个并行处理器2812包括针对通用处理而优化的电路。在至少一个实施例中,计算系统2800的组件可以与单个集成电路上的一个或更多个其他系统元件集成。例如,在至少一个实施例中,一个或更多个并行处理器2812、存储器集线器2805、处理器2802和I/O集线器2807可以被集成到片上系统(SoC)集成电路中。在至少一个实施例中,计算系统2800的组件可以被集成到单个封装中以形成系统级封装(SIP)配置。在至少一个实施例中,计算系统2800的组件的至少一部分可以被集成到多芯片模块(MCM)中,该多芯片模块可以与其他多芯片模块互连到模块化计算系统中。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图2800中使用,用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
处理器
图29A示出了根据至少一个实施例的并行处理器2900。在至少一个实施例中,并行处理器2900的各种组件可以使用一个或更多个集成电路设备来实现,例如可编程处理器、专用集成电路(ASIC)或现场可编程门阵列(FPGA)。在至少一个实施例中,所示的并行处理器2900是根据示例性实施例的图28所示的一个或更多个并行处理器2812的变体。
在至少一个实施例中,并行处理器2900包括并行处理单元2902。在至少一个实施例中,并行处理单元2902包括I/O单元2904,其使得能够与其他设备进行通信,包括并行处理单元2902的其他实例。在至少一个实施例中,I/O单元2904可以直接连接到其他设备。在至少一个实施例中,I/O单元2904通过使用集线器或交换机接口(例如,存储器集线器2805)与其他设备连接。在至少一个实施例中,存储器集线器2805与I/O单元2904之间的连接形成通信链路2813。在至少一个实施例中,I/O单元2904与主机接口2906和存储器交叉开关2916连接,其中主机接口2906接收用于执行处理操作的命令,而存储器交叉开关2916接收用于执行存储器操作的命令。
在至少一个实施例中,当主机接口2906经由I/O单元2904接收命令缓冲区时,主机接口2906可以引导工作操作以执行那些命令到前端2908。在至少一个实施例中,前端2908与调度器2910耦合,调度器2910配置成将命令或其他工作项分配给处理集群阵列2912。在至少一个实施例中,调度器2910确保在将任务分配给处理集群阵列2912之前,处理集群阵列2912被正确地配置并且处于有效状态。在至少一个实施例中,调度器2910通过在微控制器上执行的固件逻辑来实现。在至少一个实施例中,微控制器实现的调度器2910可配置成以粗粒度和细粒度执行复杂的调度和工作分配操作,从而实现对在处理阵列2912上执行的线程的快速抢占和环境切换。在至少一个实施例中,主机软件可以证明用于通过多个图形处理门铃之一在处理阵列2912上进行调度的工作负载。在至少一个实施例中,工作负载然后可以由包括调度器2910的微控制器内的调度器2910逻辑在处理阵列2912上自动分配。
在至少一个实施例中,处理集群阵列2912可以包括多达“N”个处理集群(例如,集群2914A、集群2914B到集群2914N)。在至少一个实施例中,处理集群阵列2912的每个集群2914A-2914N可以执行大量并发线程。在至少一个实施例中,调度器2910可以使用各种调度和/或工作分配算法将工作分配给处理集群阵列2912的集群2914A-2914N,其可以根据每种程序或计算类型产生的工作负载而变化。在至少一个实施例中,调度可以由调度器2910动态地处理,或者可以在配置为由处理集群阵列2912执行的程序逻辑的编译期间部分地由编译器逻辑来辅助。在至少一个实施例中,可将处理集群阵列2912的不同的集群2914A-2914N分配用于处理不同类型的程序或用于执行不同类型的计算。
在至少一个实施例中,处理集群阵列2912可以配置成执行各种类型的并行处理操作。在至少一个实施例中,处理集群阵列2912配置成执行通用并行计算操作。例如,在至少一个实施例中,处理集群阵列2912可以包括执行处理任务的逻辑,该处理任务包括对视频和/或音频数据的过滤,执行建模操作,包括物理操作以及执行数据转换。
在至少一个实施例中,处理集群阵列2912配置成执行并行图形处理操作。在至少一个实施例中,处理集群阵列2912可以包括附加逻辑以支持这种图形处理操作的执行,包括但不限于执行纹理操作的纹理采样逻辑,以及镶嵌逻辑和其他顶点处理逻辑。在至少一个实施例中,处理集群阵列2912可以配置成执行与图形处理有关的着色器程序,例如但不限于顶点着色器、曲面细分着色器、几何着色器和像素着色器。在至少一个实施例中,并行处理单元2902可以经由I/O单元2904从系统存储器传送数据以进行处理。在至少一个实施例中,在处理期间,可以在处理期间将传送的数据存储到片上存储器(例如,并行处理器存储器2922),然后将其写回到系统存储器。
在至少一个实施例中,当并行处理单元2902用于执行图形处理时,调度器2910可以配置成将处理工作负载划分为近似相等大小的任务,以更好地将图形处理操作分配给处理集群阵列2912的多个集群2914A-2914N。在至少一个实施例中,处理集群阵列2912的部分可以配置成执行不同类型的处理。例如,在至少一个实施例中,第一部分可以配置成执行顶点着色和拓扑生成,第二部分可以配置成执行镶嵌和几何着色,并且第三部分可以配置成执行像素着色或其他屏幕空间操作,以生成用于显示的渲染图像。在至少一个实施例中,可以将由集群2914A-2914N中的一个或更多个产生的中间数据存储在缓冲区中,以允许在集群2914A-2914N之间传输中间数据以进行进一步处理。
在至少一个实施例中,处理集群阵列2912可以经由调度器2910接收要执行的处理任务,该调度器2910从前端2908接收定义处理任务的命令。在至少一个实施例中,处理任务可以包括要被处理的数据的索引,例如表面(补丁)数据、原始数据、顶点数据和/或像素数据,以及状态参数和定义如何处理数据的命令(例如,要执行什么程序)。在至少一个实施例中,调度器2910可以配置成获取与任务相对应的索引,或者可以从前端2908接收索引。在至少一个实施例中,前端2908可以配置成确保在启动由传入命令缓冲区(例如,批处理缓冲区、推入缓冲区等)指定的工作负载之前,处理集群阵列2912配置成有效状态。
在至少一个实施例中,并行处理单元2902的一个或更多个实例中的每一个可以与并行处理器存储器2922耦合。在至少一个实施例中,可以经由存储器交叉开关2916访问并行处理器存储器2922,所述存储器交叉开关2916可以接收来自处理集群阵列2912以及I/O单元2904的存储器请求。在至少一个实施例中,存储器交叉开关2916可以经由存储器接口2918访问并行处理器存储器2922。在至少一个实施例中,存储器接口2918可以包括多个分区单元(例如,分区单元2920A、分区单元2920B、直到分区单元2920N),其可各自耦合至并行处理器存储器2922的一部分(例如,存储单元)。在至少一个实施例中,多个分区单元2920A-2920N为配置为等于存储单元的数量,使得第一分区单元2920A具有对应的第一存储单元2924A,第二分区单元2920B具有对应的存储单元2924B,第N分区单元2920N具有对应的第N存储单元2924N。在至少一个实施例中,分区单元2920A-2920N的数量可以不等于存储设备的数量。
在至少一个实施例中,存储器单元2924A-2924N可以包括各种类型的存储器设备,包括动态随机存取存储器(DRAM)或图形随机存取存储器,例如同步图形随机存取存储器(SGRAM),包括图形双倍数据速率(GDDR)存储器。在至少一个实施例中,存储器单元2924A-2924N还可包括3D堆叠存储器,包括但不限于高带宽存储器(HBM)。在至少一个实施例中,可以跨存储器单元2924A-2924N来存储诸如帧缓冲区或纹理映射的渲染目标,从而允许分区单元2920A-2920N并行地写入每个渲染目标的部分,以有效地使用并行处理器存储器2922的可用带宽。在至少一个实施例中,可以排除并行处理器存储器2922的本地实例,以有利于利用系统存储器与本地高速缓存存储器结合的统一存储器设计。
在至少一个实施例中,处理集群阵列2912的集群2914A-2914N中的任何一个都可以处理将被写入并行处理器存储器2922内的任何存储器单元2924A-2924N中的数据。在至少一个实施例中,存储器交叉开关2916可以配置为将每个集群2914A-2914N的输出传输到任何分区单元2920A-2920N或另一个集群2914A-2914N,集群2914A-2914N可以对输出执行其他处理操作。在至少一个实施例中,每个集群2914A-2914N可以通过存储器交叉开关2916与存储器接口2918通信,以从各种外部存储设备读取或写入各种外部存储设备。在至少一个实施例中,存储器交叉开关2916具有到存储器接口2918的连接以与I/O单元2904通信,以及到并行处理器存储器2922的本地实例的连接,从而使不同处理集群2914A-2914N内的处理单元与系统存储器或不是并行处理单元2902本地的其他存储器进行通信。在至少一个实施例中,存储器交叉开关2916可以使用虚拟通道来分离集群2914A-2914N和分区单元2920A-2920N之间的业务流。
在至少一个实施例中,可以在单个插入卡上提供并行处理单元2902的多个实例,或者可以将多个插入卡互连。在至少一个实施例中,并行处理单元2902的不同实例可以配置成相互操作,即使不同实例具有不同数量的处理核心,不同数量的本地并行处理器存储器和/或其他配置差异。例如,在至少一个实施例中,并行处理单元2902的一些实例可以包括相对于其他实例而言更高精度的浮点单元。在至少一个实施例中,结合并行处理单元2902或并行处理器2900的一个或更多个实例的系统可以以各种配置和形式因素来实现,包括但不限于台式机、膝上型计算机或手持式个人计算机、服务器、工作站、游戏机和/或嵌入式系统。
图29B是根据至少一个实施例的分区单元2920的框图。在至少一个实施例中,分区单元2920是图29A的分区单元2920A-2920N之一的实例。在至少一个实施例中,分区单元2920包括L2高速缓存2921、帧缓冲区接口2925和光栅操作单元(“ROP”)2926。L2高速缓存2921是读/写高速缓存,其配置成执行从存储器交叉开关2916和ROP 2926接收的加载和存储操作。在至少一个实施例中,L2高速缓存2921将读取未命中和紧急回写请求输出到帧缓冲区接口2925以进行处理。在至少一个实施例中,还可以经由帧缓冲区接口2925将更新发送到帧缓冲区以进行处理。在至少一个实施例中,帧缓冲区接口2925与并行处理器存储器中的存储器单元(诸如图29的存储器单元2924A-2924N(例如,在并行处理器存储器2922内))之一相互作用。
在至少一个实施例中,ROP 2926是一种处理单元,其执行光栅操作,诸如模版、z测试、混合等。在至少一个实施例中,ROP 2926然后输出存储在图形存储器中的处理后的图形数据。在至少一个实施例中,ROP 2926包括压缩逻辑以压缩被写入存储器的深度或颜色数据并解压缩从存储器读取的深度或颜色数据。在至少一个实施例中,压缩逻辑可以是利用多种压缩算法中的一种或更多种的无损压缩逻辑。ROP 2926执行的压缩逻辑可以基于要压缩的数据的统计特性而变化。例如,在至少一个实施例中,基于每图块基础上的深度和颜色数据执行增量颜色压缩。
在至少一个实施例中,ROP 2926包括在每个处理集群内(例如,图29A的集群2914A-2914N),而不是在分区单元2920内。在至少一个实施例中,通过存储器交叉开关2916而不是像素片段数据传输对像素数据的读取和写入请求。在至少一个实施例中,经处理的图形数据可以在显示设备上(诸如图28的一个或更多个显示设备2810之一)显示,由处理器2802路由以供进一步处理,或者由图29A的并行处理器2900内的处理实体之一路由以供进一步处理。
图29C是根据至少一个实施例的并行处理单元内的处理集群2914的框图。在至少一个实施例中,处理集群是图29A的处理集群2914A-2914N之一的实例。在至少一个实施例中,一个或更多个处理集群2914中的一个或更多个可以配置成并行执行许多线程,其中“线程”是指在特定的一组输入数据上执行的特定程序的实例。在至少一个实施例中,单指令多数据(SIMD)指令发布技术用于支持大量线程的并行执行而无需提供多个独立的指令单元。在至少一个实施例中,使用单指令多线程(SIMT)技术来支持并行执行大量一般同步的线程,这使用了公共指令单元,该公共指令单元配置成向每个处理集群内的一组处理引擎发出指令。
在至少一个实施例中,可以通过将处理任务分配给SIMT并行处理器的管线管理器2932来控制处理集群2914的操作。在至少一个实施例中,管线管理器2932从图29A的调度器2910接收指令,通过图形多处理器2934和/或纹理单元2936管理这些指令的执行。在至少一个实施例中,图形多处理器2934是SIMT并行处理器的示例性实例。然而,在至少一个实施例中,处理集群2914内可以包括不同架构的各种类型的SIMT并行处理器。在至少一个实施例中,在处理集群2914内可以包括图形多处理器2934的一个或更多个实例。在至少一个实施例中,图形多处理器2934可以处理数据,并且数据交叉开关2940可以用于将处理后的数据分发到多个可能的目的(包括其他着色器单元)地之一。在至少一个实施例中,管线管理器2932可以通过指定要针对数据交叉开关2940分配的处理数据的目的地来促进处理数据的分配。
在至少一个实施例中,处理集群2914内的每个图形多处理器2934可以包括相同的一组功能执行逻辑(例如,算术逻辑单元、负载存储单元等)。在至少一个实施例中,可以以管线方式配置功能执行逻辑,其中可以在先前的指令完成之前发出新的指令。在至少一个实施例中,功能执行逻辑支持多种操作,包括整数和浮点算术、比较操作、布尔运算、移位和各种代数函数的计算。在至少一个实施例中,可以利用相同的功能单元硬件来执行不同的操作,并且可以存在功能单元的任何组合。
在至少一个实施例中,传送到处理集群2914的指令构成线程。在至少一个实施例中,跨一组并行处理引擎执行的一组线程是线程组。在至少一个实施例中,线程组在不同的输入数据上执行程序。在至少一个实施例中,线程组内的每个线程可被分配给图形多处理器2934内的不同处理引擎。在至少一个实施例中,线程组可包括比图形多处理器2934内的多个处理引擎更少的线程。在至少一个实施例中,当线程组包括的线程数少于处理引擎的数量时,一个或更多个处理引擎在正在处理该线程组的循环期间可能是空闲的。在至少一个实施例中,线程组还可以包括比图形多处理器2934内的多个处理引擎更多的线程。在至少一个实施例中,当线程组包括比图形多处理器2934内的处理引擎更多的线程时,可以在连续的时钟周期内执行处理。在至少一个实施例中,可以在图形多处理器2934上同时执行多个线程组。
在至少一个实施例中,图形多处理器2934包括内部高速缓冲存储器,以执行加载和存储操作。在至少一个实施例中,图形多处理器2934可以放弃内部高速缓存并使用处理集群2914内的高速缓存存储器(例如,L1高速缓存2948)。在至少一个实施例中,每个图形多处理器2934还可以访问分区单元(例如,图29A的分区单元2920A-2920N)内的L2高速缓存,这些分区单元在所有处理集群2914之间共享并且可以用于在线程之间传输数据。在至少一个实施例中,图形多处理器2934还可以访问片外全局存储器,其可以包括本地并行处理器存储器和/或系统存储器中的一个或更多个。在至少一个实施例中,并行处理单元2902外部的任何存储器都可以用作全局存储器。在至少一个实施例中,处理集群2914包括图形多处理器2934的多个实例,它们可以共享可以存储在L1高速缓存2948中的公共指令和数据。
在至少一个实施例中,每个处理集群2914可以包括配置成将虚拟地址映射为物理地址的存储器管理单元(“MMU”)2945。在至少一个实施例中,MMU 2945的一个或更多个实例可以驻留在图29A的存储器接口2918内。在至少一个实施例中,MMU 2945包括一组页表条目(PTE),其用于将虚拟地址映射到图块的物理地址以及可选地映射到高速缓冲存储器线。在至少一个实施例中,MMU 2945可以包括地址转换后备缓冲区(TLB)或可以驻留在图形多处理器2934或L1高速缓存或处理集群2914内的高速缓存。在至少一个实施例中,处理物理地址以分配表面数据访问局部性,以便在分区单元之间进行有效的请求交织。在至少一个实施例中,高速缓存行索引可以用于确定对高速缓存线的请求是命中还是未命中。
在至少一个实施例中,可以配置处理集群2914,使得每个图形多处理器2934耦合到纹理单元2936,以执行纹理映射操作,例如,确定纹理样本位置、读取纹理数据以及过滤纹理数据。在至少一个实施例中,根据需要从内部纹理L1高速缓存(未示出)或从图形多处理器2934内的L1高速缓存中读取纹理数据,并从L2高速缓存、本地并行处理器存储器或系统存储器中获取纹理数据。在至少一个实施例中,每个图形多处理器2934将处理后的任务输出到数据交叉开关2940,以将处理后的任务提供给另一处理集群2914以进行进一步处理或将处理后的任务存储在L2高速缓存、本地并行处理器存储器、或经由存储器交叉开关2916的系统存储器中。在至少一个实施例中,preROP2942(光栅前操作单元)配置成从图形多处理器2934接收数据,将数据引导至ROP单元,该ROP单元可以与本文所述的分区单元(例如,图29A的分区单元2920A-2920N)一起定位。在至少一个实施例中,PreROP2942单元可以执行用于颜色混合的优化、组织像素颜色数据以及执行地址转换。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形处理集群2914中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图29D示出了根据至少一个实施例的图形多处理器2934。在至少一个实施例中,图形多处理器2934与处理集群2914的管线管理器2932耦合。在至少一个实施例中,图形多处理器2934具有执行管线,该执行管线包括但不限于指令高速缓存2952、指令单元2954、地址映射单元2956、寄存器文件2958、一个或更多个通用图形处理单元(GPGPU)核心2962和一个或更多个加载/存储单元2966。GPGPU核心2962和加载/存储单元2966与高速缓存存储器2972和共享存储器2970通过存储器和高速缓存互连2968耦合。
在至少一个实施例中,指令高速缓存2952从管线管理器2932接收要执行的指令流。在至少一个实施例中,将指令高速缓存在指令高速缓存2952中并将其分派以供指令单元2954执行。在一个实施例中,指令单元2954可以分派指令作为线程组(例如,线程束),将每个线程组分配给GPGPU核心2962内的不同执行单元。在至少一个实施例中,指令可以通过在统一地址空间内指定地址来访问任何本地、共享或全局地址空间。在至少一个实施例中,地址映射单元2956可以用于将统一地址空间中的地址转换成可以由加载/存储单元2966访问的不同的存储器地址。
在至少一个实施例中,寄存器文件2958为图形多处理器2934的功能单元提供了一组寄存器。在至少一个实施例中,寄存器文件2958为连接到图形多处理器2934的功能单元(例如,GPGPU核心2962、加载/存储单元2966)的数据路径的操作数提供了临时存储。在至少一个实施例中,在每个功能单元之间划分寄存器文件2958,使得为每个功能单元分配寄存器文件2958的专用部分。在至少一个实施例中,寄存器文件2958在图形多处理器2934正在执行的不同线程束之间划分。
在至少一个实施例中,GPGPU核心2962可以各自包括用于执行图形多处理器2934的指令的浮点单元(FPU)和/或整数算术逻辑单元(ALU)。GPGPU核心2962在架构上可以相似或架构可能有所不同。在至少一个实施例中,GPGPU核心2962的第一部分包括单精度FPU和整数ALU,而GPGPU核心的第二部分包括双精度FPU。在至少一个实施例中,FPU可以实现用于浮点算法的IEEE 754-2008标准或启用可变精度浮点算法。在至少一个实施例中,图形多处理器2934可以另外包括一个或更多个固定功能或特殊功能单元,以执行特定功能,诸如复制矩形或像素混合操作。在至少一个实施例中,GPGPU核心中的一个或更多个也可以包括固定或特殊功能逻辑。
在至少一个实施例中,GPGPU核心2962包括能够对多组数据执行单个指令的SIMD逻辑。在至少一个实施例中,GPGPU核心2962可以物理地执行SIMD4、SIMD8和SIMD16指令,并且在逻辑上执行SIMD1、SIMD2和SIMD32指令。在至少一个实施例中,用于GPGPU核心的SIMD指令可以在编译时由着色器编译器生成,或者在执行针对单程序多数据(SPMD)或SIMT架构编写和编译的程序时自动生成。在至少一个实施例中,可以通过单个SIMD指令来执行为SIMT执行模型配置的程序的多个线程。例如,在至少一个实施例中,可以通过单个SIMD8逻辑单元并行执行执行相同或相似操作的八个SIMT线程。
在至少一个实施例中,存储器和高速缓存互连2968是将图形多处理器2934的每个功能单元连接到寄存器文件2958和共享存储器2970的互连网络。在至少一个实施例中,存储器和高速缓存互连2968是交叉开关互连,其允许加载/存储单元2966在共享存储器2970和寄存器文件2958之间实现加载和存储操作。在至少一个实施例中,寄存器文件2958可以以与GPGPU核心2962相同的频率操作,从而在GPGPU核心2962和寄存器文件2958之间进行数据传输的延迟非常低。在至少一个实施例中,共享存储器2970可以用于启用在图形多处理器2934内的功能单元上执行的线程之间的通信。在至少一个实施例中,高速缓存存储器2972可以用作例如数据高速缓存,以高速缓存在功能单元和纹理单元2936之间通信的纹理数据。在至少一个实施例中,共享存储器2970也可以用作程序管理的高速缓存。在至少一个实施例中,除了存储在高速缓存存储器2972中的自动高速缓存的数据之外,在GPGPU核心2962上执行的线程还可以以编程方式将数据存储在共享存储器中。
在至少一个实施例中,如本文所述的并行处理器或GPGPU通信地耦合到主机/处理器核心,以加速图形操作、机器学习操作、图案分析操作以及各种通用GPU(GPGPU)功能。在至少一个实施例中,GPU可以通过总线或其他互连(例如,诸如PCIe或NVLink的高速互连)通信地耦合到主机处理器/核心。在至少一个实施例中,GPU可以与核心集成在相同的封装或芯片上,并通过内部处理器总线/互连(即,封装或芯片的内部)通信地耦合到核心。在至少一个实施例中,不管GPU连接的方式如何,处理器核心可以以工作描述符中包含的命令/指令序列的形式向GPU分配工作。在至少一个实施例中,GPU然后使用专用电路/逻辑来有效地处理这些命令/指令。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形多处理器2934中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测操作,。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图30示出了根据至少一个实施例的多GPU计算系统11900。在至少一个实施例中,多GPU计算系统11900可包括经由主机接口开关11904耦合到多个通用图形处理单元(GPGPU)11906A-D的处理器11902。在至少一个实施例中,主机接口开关11904是PCI高速开关设备,其将处理器11902耦合到PCI高速总线,处理器11902可以通过PCI高速总线与GPGPU11906A-D通信。GPGPU 11906A-D可以经由一组高速点对点GPU到GPU链路11916来互连。在至少一个实施例中,GPU到GPU链路11916经由专用GPU链路连接到GPGPU 11906A-D中的每一个。在至少一个实施例中,P2P GPU链路11916使得能够在每个GPGPU 11906A-D之间直接进行通信,而无需通过处理器11902所连接的主机接口总线11904进行通信。在至少一个实施例中,在GPU到GPU业务流指向P2P GPU链路11916的情况下,主机接口总线11904保持可用于系统存储器访问或者例如经由一个或更多个网络设备与多GPU计算系统11900的其他实例通信。虽然在至少一个实施例中,GPGPU 11906A-D经由主机接口开关11904连接到处理器11902,但是在至少一个实施例中,处理器11902包括对P2P GPU链路11916的直接支持,并且可以直接连接到GPGPU 11906A-D。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在多GPU计算系统11900中用于至少部分地基于使用本文所述的神经网络训练操作,神经网络功能和/或或架构或神经网络用例计算出的权重参数来进行推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图31是根据至少一个实施例的图形处理器3100的框图。在至少一个实施例中,图形处理器3100包括环形互连3102、管线前端3104、媒体引擎3137和图形核心3180A-3180N。在至少一个实施例中,环形互连3102将图形处理器3100耦合到其他处理单元,包括其他图形处理器或一个或更多个通用处理器核心。在至少一个实施例中,图形处理器3100是集成在多核心处理系统内的许多处理器之一。
在至少一个实施例中,图形处理器3100经由环形互连3102接收多批命令。在至少一个实施例中,输入命令由管线前端3104中的命令流转化器3103解释。在至少一个实施例中,图形处理器3100包括可缩放执行逻辑,以经由图形核心3180A-3180N执行3D几何处理和媒体处理。在至少一个实施例中,对于3D几何处理命令,命令流转化器3103将命令提供给几何管线3136。在至少一个实施例中,对于至少一些媒体处理命令,命令流转化器3103将命令提供给视频前端3134,其与媒体引擎3137耦合。在至少一个实施例中,媒体引擎3137包括用于视频和图像后处理的视频质量引擎(VQE)3130,以及用于提供硬件加速媒体数据编码和解码的多格式编码/解码(MFX)3133引擎。在至少一个实施例中,几何管线3136和媒体引擎3137各自生成用于由至少一个图形核心3180A提供的线程执行资源的执行线程。
在至少一个实施例中,图形处理器3100包括以模块化核心3180A-3180N(有时称为核心切片)为特征的可缩放线程执行资源,每个模块核心具有多个子核心3150A-3150N、3160A-3160N(有时称为核心子切片)。在至少一个实施例中,图形处理器3100可以具有任意数量的图形核心3180A至3180N。在至少一个实施例中,图形处理器3100包括具有至少第一子核心3150A和第二子核心3160A的图形核心3180A。在至少一个实施例中,图形处理器3100是具有单个子核心(例如3150A)的低功率处理器。在至少一个实施例中,图形处理器3100包括多个图形核心3180A-3180N,每个图形核心包括一组第一子核心3150A-3150N和一组第二子核心3160A-3160N。在至少一个实施例中,第一子核心3150A-3150N中的每个子核心至少包括第一组执行单元3152A-3152N和媒体/纹理采样器3154A-3154N。在至少一个实施例中,第二子核心3160A-3160N中的每个子核心至少包括第二组执行单元3162A-3162N和采样器3164A-3164N。在至少一个实施例中,每个子核心3150A-3150N、3160A-3160N共享一组共享资源3170A-3170N。在至少一个实施例中,共享资源包括共享高速缓冲存储器和像素操作逻辑。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形处理器3100中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图32是示出根据至少一个实施例的用于处理器3200的微架构的框图,该处理器3200可以包括执行指令的逻辑电路。在至少一个实施例中,处理器3200可以执行指令,包括x86指令、ARM指令、用于专用集成电路(ASIC)的专用指令等。在至少一个实施例中,处理器3200可以包括用于存储封装数据的寄存器,例如作为加利福尼亚州圣克拉拉市英特尔公司采用MMX技术启用的微处理器中的64位宽MMXTM寄存器。在至少一个实施例中,整数和浮点数形式可用的MMX寄存器可以与封装的数据元素一起运行,所述封装的数据元素伴随单指令多数据(“SIMD”)和流式SIMD扩展(“SSE”)指令。在至少一个实施例中,与SSE2、SSE3、SSE4、AVX或更高版本(一般称为“SSEx”)技术有关的128位宽XMM寄存器可以保存此类封装数据操作数。在至少一个实施例中,处理器3200可以执行指令以加速机器学习或深度学习算法、训练或推理。
在至少一个实施例中,处理器3200包括有序前端(“前端”)3201,以提取要执行的指令并准备稍后在处理器管线中使用的指令。在至少一个实施例中,前端3201可以包括几个单元。在至少一个实施例中,指令预取器3226从存储器中获取指令并将指令提供给指令解码器3228,指令解码器3228又对指令进行解码或解释。例如,在至少一个实施例中,指令解码器3228将接收到的指令解码为机器可执行的所谓的“微指令”或“微操作”(也称为“微操作”或“微指令”)的一个或更多个操作。在至少一个实施例中,指令解码器3228将指令解析为操作码以及相应的数据和控制字段,其可以由微架构用来使用以根据至少一个实施例来执行操作。在至少一个实施例中,跟踪高速缓存3230可以将解码的微指令组装成微指令队列3234中的程序排序的序列或追踪以供执行。在至少一个实施例中,当追踪高速缓存3230遇到复杂指令时,微码ROM 3232提供完成操作所需的微指令。
在至少一个实施例中,可以将一些指令转换成单个微操作,而另一些指令则需要几个微操作来完成全部操作。在至少一个实施例中,如果需要多于四个的微指令来完成一条指令,则指令解码器3228可以访问微码ROM 3232以执行指令。在至少一个实施例中,可以将指令解码为少量的微指令以在指令解码器3228处进行处理。在至少一个实施例中,如果需要多个微指令完成操作,则可以将指令存储在微码ROM 3232中。在至少一个实施例中,追踪高速缓存器3230参考入口点可编程逻辑阵列(“PLA”)以确定正确的微指令指针,用于根据至少一个实施例从微码ROM 3232读取微码序列以完成一个或更多个指令。在至少一个实施例中,在微码ROM 3232完成对指令的微操作排序之后,机器的前端3201可以恢复从追踪高速缓存3230获取微操作。
在至少一个实施例中,乱序执行引擎(“乱序引擎”)3203可以准备用于执行的指令。在至少一个实施例中,乱序执行逻辑具有多个缓冲区,以使指令流平滑并重新排序,以在指令沿管线下降并被调度执行时优化性能。在至少一个实施例中,乱序执行引擎3203包括但不限于分配器/寄存器重命名器3240、存储器微指令队列3242、整数/浮点微指令队列3244、存储器调度器3246、快速调度器3202、慢速/通用浮点调度器(“慢速/通用FP调度器”)3204和简单浮点调度器(“简单FP调度器”)3206。在至少一个实施例中,快速调度器3202、慢速/通用浮点调度器3204和简单浮点调度器3206也统称为“微指令调度器3202、3204、3206”。在至少一个实施例中,分配器/寄存器重命名器3240分配每个微指令按顺序执行所需要的机器缓冲区和资源。在至少一个实施例中,分配器/寄存器重命名器3240将逻辑寄存器重命名为寄存器文件中的条目。在至少一个实施例中,分配器/寄存器重命名器3240还为两个微指令队列之一中的每个微指令分配条目,存储器微指令队列3242用于存储器操作和整数/浮点微指令队列3244用于非存储器操作,在存储器调度器3246和微指令调度器3202、3204、3206的前面。在至少一个实施例中,微指令调度器3202、3204、3206基于它们的从属输入寄存器操作数源的就绪性和需要完成的执行资源微指令的可用性来确定何时准备好执行微指令。在至少一个实施例中,至少一个实施例的快速调度器3202可以在主时钟周期的每个一半上调度,而慢速/通用浮点调度器3204和简单浮点调度器3206可以在每个主处理器时钟周期调度一次。在至少一个实施例中,微指令调度器3202、3204、3206对调度端口进行仲裁,以调度用于执行的微指令。
在至少一个实施例中,执行块3211包括但不限于整数寄存器文件/支路网络3208、浮点寄存器文件/支路网络(“FP寄存器文件/支路网络”)3210、地址生成单元(“AGU”)3212和3214、快速算术逻辑单元(“快速ALU”)3216和3218、慢速算术逻辑单元(“慢速ALU”)3220、浮点ALU(“FP”)3222和浮点移动单元(“FP移动”)3224。在至少一个实施例中,整数寄存器文件/支路网络3208和浮点寄存器文件/旁路网络3210在本文中也称为“寄存器文件3208、3210”。在至少一个实施例中,AGU 3212和3214、快速ALU 3216和3218、慢速ALU 3220、浮点ALU 3222和浮点移动单元3224在本文中也称为“执行单元3212、3214、3216、3218、3220、3222和3224”。在至少一个实施例中,执行框b11可以包括但不限于任意数量(包括零)和类型的寄存器文件、支路网络、地址生成单元和执行单元(以任何组合)。
在至少一个实施例中,寄存器文件3208、3210可以布置在微指令调度器3202、3204、3206与执行单元3212、3214、3216、3218、3220、3222和3224之间。在至少一个实施例中,整数寄存器文件/支路网络3208执行整数运算。在至少一个实施例中,浮点寄存器文件/支路网络3210执行浮点操作。在至少一个实施例中,寄存器文件3208、3210中的每一个可以包括但不限于支路网络,该支路网络可以绕过或转发尚未写入寄存器文件中的刚刚完成的结果到新的从属对象。在至少一个实施例中,寄存器文件3208、3210可以彼此通信数据。在至少一个实施例中,整数寄存器文件/支路网络3208可以包括但不限于两个单独的寄存器文件、一个寄存器文件用于低阶32位数据,第二寄存器文件用于高阶32位数据。在至少一个实施例中,浮点寄存器文件/支路网络3210可以包括但不限于128位宽的条目,因为浮点指令通常具有宽度为64至128位的操作数。
在至少一个实施例中,执行单元3212、3214、3216、3218、3220、3222、3224可以执行指令。在至少一个实施例中,寄存器文件3208、3210存储微指令需要执行的整数和浮点数据操作数值。在至少一个实施例中,处理器3200可以包括但不限于任何数量的执行单元3212、3214、3216、3218、3220、3222、3224及其组合。在至少一个实施例中,浮点ALU 3222和浮点移动单元3224,可以执行浮点、MMX、SIMD、AVX和SSE或其他操作,包括专门的机器学习指令。在至少一个实施例中,浮点ALU 3222可以包括但不限于64位乘64位浮点除法器,以执行除法、平方根和余数微操作。在至少一个实施例中,可以用浮点硬件来处理涉及浮点值的指令。在至少一个实施例中,可以将ALU操作传递给快速ALU 3216、3218。在至少一个实施例中,快速ALUS 3216、3218可以以半个时钟周期的有效延迟执行快速操作。在至少一个实施例中,大多数复杂的整数运算进入慢速ALU 3220,因为慢速ALU 3220可以包括但不限于用于长延迟类型操作的整数执行硬件,例如乘法器、移位、标志逻辑和分支处理。在至少一个实施例中,存储器加载/存储操作可以由AGUS 3212、3214执行。在至少一个实施例中,快速ALU 3216、快速ALU 3218和慢速ALU 3220可以对64位数据操作数执行整数运算。在至少一个实施例中,可以实现快速ALU 3216、快速ALU 3218和慢速ALU 3220以支持包括十六、三十二、128、256等的各种数据位大小。在至少一个实施例中,浮点ALU 3222和浮点移动单元3224可以实现为支持具有各种宽度的位的一定范围的操作数。在至少一个实施例中,浮点ALU 3222和浮点移动单元3224可以结合SIMD和多媒体指令对128位宽封装数据操作数进行操作。
在至少一个实施例中,微指令调度器3202、3204、3206在父加载完成执行之前调度从属操作。在至少一个实施例中,由于可以在处理器3200中推测性地调度和执行微指令,处理器3200还可以包括用于处理存储器未命中的逻辑。在至少一个实施例中,如果数据高速缓存中的数据加载未命中,则可能存在在管线中正在运行的从属操作,其使调度器暂时没有正确的数据。在至少一个实施例中,一种重放机制追踪踪并重新执行使用不正确数据的指令。在至少一个实施例中,可能需要重放从属操作并且可以允许完成独立操作。在至少一个实施例中,处理器的至少一个实施例的调度器和重放机制也可以设计为捕获用于文本串比较操作的指令序列。
在至少一个实施例中,术语“寄存器”可以指代可以用作识别操作数的指令的一部分的机载处理器存储位置。在至少一个实施例中,寄存器可以是那些可以从处理器外部使用的寄存器(从程序员的角度来看)。在至少一个实施例中,寄存器可能不限于特定类型的电路。相反,在至少一个实施例中,寄存器可以存储数据、提供数据并执行本文描述的功能。在至少一个实施例中,本文描述的寄存器可以通过处理器内的电路使用多种不同技术来实现,例如专用物理寄存器、使用寄存器重命名动态分配的物理寄存器、专用和动态分配的物理寄存器的组合等。在至少一个实施例中,整数寄存器存储32位整数数据。至少一个实施例的寄存器文件还包含八个用于封装数据的多媒体SIMD寄存器。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,可以将推理和/或训练逻辑1715的部分或全部并入执行块3211以及示出或未示出的其他存储器或寄存器。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用执行框3211中示出的一个或更多个ALU。此外,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,该寄存器和/或寄存器配置执行块3211的ALU以执行一种或更多种本文所述的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图33示出了根据至少一个实施例的深度学习应用处理器3300。在至少一个实施例中,深度学习应用处理器3300使用指令,如果由深度学习应用处理器3300执行,则指令使深度学习应用处理器3300执行贯穿本公开描述的一些或全部过程和技术。在至少一个实施例中,深度学习应用处理器3300是专用集成电路(ASIC)。在至少一个实施例中,应用处理器3300执行矩阵乘法运算或者“硬连线”到硬件中,作为执行一个或更多个指令或两者的结果。在至少一个实施例中,深度学习应用处理器3300包括但不限于处理集群3310(1)-3310(12)、芯片间链路(“ICL”)3320(1)-3320(12)、芯片间控制器(“ICC”)3330(1)-3330(2)、存储器控制器(“Mem Ctrlrs”)3342(1)-3342(4)、高带宽存储器物理层(“HBM PHY”)3344(1)-3344(4)、管理控制器中央处理单元(“管理控制器CPU”)3350、串行外围设备接口、内部集成电路和通用输入/输出块(“SPI、I2C、GPIO”),外围组件互连快速控制器和直接存储器访问块(“PCIe控制器和DMA”)3370、以及十六通道外围组件互连快速端口(“PCI Express x16”)3380。
在至少一个实施例中,处理集群3310可以执行深度学习操作,包括基于一种或更多种训练技术计算的权重参数的推理或预测操作,包括本文所述的那些技术。在至少一个实施例中,每个处理集群3310可以包括但不限于任何数量和类型的处理器。在至少一个实施例中,深度学习应用处理器3300可以包括任何数量和类型的处理集群3300。在至少一个实施例中,芯片间链路3320是双向的。在至少一个实施例中,芯片间链路3320和芯片间控制器3330使多个深度学习应用处理器3300能够交换信息,包括从执行一个或更多个神经网络中体现的一种或更多种机器学习算法而产生的激活信息。在至少一个实施例中,深度学习应用处理器3300可以包括任意数量(包括零)和类型的ICL 3320和ICC 3330。
在至少一个实施例中,HBM2 3340提供总共32GB的存储器。HBM2 3340(i)与存储器控制器3342(i)和HBM PHY 3344(i)都相关联。在至少一个实施例中,任何数量的HBM2 3340可以提供任何类型和总量的高带宽存储器,并且可以与任何数量(包括零)和类型的存储器控制器3342和HBM PHY 3344相关联。在至少一个实施例中,可以用任何数量和类型的块替换SPI、I2C、GPIO 3360、PCIe控制器和DMA 3370和/或PCIe3380,以任何技术上可行的方式实现任何数量和类型的通信标准。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用处理器3300用于训练机器学习模型(例如神经网络),以预测或推理提供给深度学习应用处理器3300的信息。在至少一个实施例中,深度学习应用处理器3300用于基于已经由另一处理器或系统或由深度学习应用处理器3300训练的经训练的机器学习模型(例如,神经网络)来推理或预测信息。在至少一个实施例中,处理器3300可以用于执行本文所述的一个或更多个神经网络用例。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图34是根据至少一个实施例的神经形态处理器3400的框图。在至少一个实施例中,神经形态处理器3400可以从神经形态处理器3400外部的源接收一个或更多个输入。在至少一个实施例中,这些输入可以被传输到神经形态处理器3400内的一个或更多个神经元3402。在至少一个实施例中,可以使用包括一个或更多个算术逻辑单元(ALU)的电路或逻辑来实现神经元3402及其组件。在至少一个实施例中,神经形态处理器3400可以包括但不限于成千上万个神经元3402的实例,但是可以使用任何合适数量的神经元3402。在至少一个实施例中,神经元3402的每个实例可以包括神经元输入3404和神经元输出3406。在至少一个实施例中,神经元3402可以生成可以传输到神经元3402的其他实例的输入的输出。在至少一个实施例中,神经元输入3404和神经元输出3406可以经由突触3408互连。
在至少一个实施例中,神经元3402和突触3408可以互连,使得神经形态处理器3400操作以处理或分析由神经形态处理器3400接收的信息。在至少一个实施例中,当通过神经元输入3404接收到的输入超过阈值时,神经元3402可以发送输出脉冲(或“触发”或“峰值”)。在至少一个实施例中,神经元3402可以对在神经元输入3404处接收到的信号进行求和或积分。例如,在至少一个实施例中,神经元3402可以实现为有泄漏的积分-触发神经元,其中如果求和(称为“膜电位”)超过阈值,则神经元3402可以使用诸如sigmoid或阈值函数的传递函数来产生输出(或“触发”)。在至少一个实施例中,泄漏的积分-触发神经元可以将在神经元输入3404处接收到的信号求和成膜电位,并且可以应用衰减因子(或泄漏)以减小膜电位。在至少一个实施例中,如果在神经元输入3404处接收到足够快以超过阈值的多个输入信号(即,在膜电势衰减得太低而不能触发之前),则泄漏的积分-触发神经元可能会触发。在至少一个实施例中,神经元3402可以使用接收输入、将输入积分到膜电位、并衰减膜电位的电路或逻辑来实现。在至少一个实施例中,可以对输入求平均,或者可以使用任何其他合适的传递函数。此外,在至少一个实施例中,神经元3402可以包括但不限于当将传递函数应用于神经元输入3404的结果超过阈值时在神经元输出3406处产生输出尖峰的比较器电路或逻辑。在至少一个实施例中,一旦神经元3402触发,它可以通过例如将膜电位复位为0或另一合适的默认值来忽略先前接收的输入信息。在至少一个实施例中,一旦膜电位被重置为0,则神经元3402可以在合适的时间段(或修复期)之后恢复正常操作。
在至少一个实施例中,神经元3402可以通过突触3408互连。在至少一个实施例中,突触3408可以操作以将从第一神经元3402的输出的信号传输到第二神经元3402的输入。在至少一个实施例中,神经元3402可以在一个以上的突触3408实例上传输信息。在至少一个实施例中,神经元输出3406的一个或更多个实例可以通过突触3408的实例连接到同一神经元3402中神经元输入3404的实例。在至少一个实施例中,相对于突触3408的那个实例,神经元3402的实例产生要在突触3408的实例上传输的输出可以被称为“突触前神经元”。在至少一个实施例中,相对于突触3408的实例,神经元3402的实例接收通过突触3408的实例传输的输入可以被称为“突触后神经元”。在至少一个实施例中,关于突触3408的各种实例,因为神经元3402的实例可以接收来自一个或更多个突触3408实例的输入,并且还可以通过一个或更多个突触3408实例传输输出,因此神经元3402的单个实例可以既是“突触前神经元”又是“突触后神经元”。
在至少一个实施例中,神经元3402可以被组织成一层或更多层。神经元3402的每个实例可以具有一个神经元输出3406,该神经元输出3406可以通过一个或更多个突触3408扇出到一个或更多个神经元输入3404。在至少一个实施例中,第一层3410中的神经元3402的神经元输出3406可以连接到第二层3412中的神经元3402的神经元输入3404。在至少一个实施例中,层3410可以被称为“前馈层”。在至少一个实施例中,在第一层3410的实例中神经元3402的每个实例可以扇出到第二层3412中的神经元3402的每个实例。在至少一个实施例中,第一层3410可以被称为“完全连接的前馈层”。在至少一个实施例中,在第二层3412的每个实例中的神经元3402的每个实例扇出到少于在第三层3414中的神经元3402的所有实例。在至少一个实施例中,第二层3412可以被称为“稀疏连接的前馈层”。在至少一个实施例中,第二层3412中的神经元3402可以扇出到多个其他层中的神经元3402,包括(相同)第二层3412中的神经元3402。在至少一个实施例中,第二层3412可以被称为“循环层”。在至少一个实施例中,神经形态处理器3400可以包括但不限于循环层和前馈层的任何合适的组合,包括但不限于稀疏连接的前馈层和完全连接的前馈层。
在至少一个实施例中,神经形态处理器3400可以包括但不限于可重新配置的互连架构或专用硬连线互连,以将突触3408连接到神经元3402。在至少一个实施例中,神经形态处理器3400可以包括但不限于电路或逻辑,其根据神经网络拓扑结构和神经元扇入/扇出,允许根据需要将突触分配给不同神经元3402。例如,在至少一个实施例中,可以使用互连结构(诸如片上网络)或通过专用连接将突触3408连接到神经元3402。在至少一个实施例中,可以使用电路或逻辑来实现突触互连及其组件。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图35是根据至少一个实施例的处理系统的框图。在至少一个实施例中,系统3500包括一个或更多个处理器3502和一个或更多个图形处理器3508,并且可以是单处理器台式机系统、多处理器工作站系统或具有大量处理器3502或处理器核心3507的服务器系统。在至少一个实施例中,系统3500是结合在片上系统(SoC)集成电路内的处理平台,以用于移动、手持或嵌入式设备。
在至少一个实施例中,系统3500可以包括或结合在基于服务器的游戏平台中,包括游戏和媒体控制台的游戏控制台、移动游戏控制台、手持游戏控制台或在线游戏控制台。在至少一个实施例中,系统3500是移动电话、智能电话、平板计算设备或移动互联网设备。在至少一个实施例中,处理系统3500还可包括与可穿戴设备耦合或集成在可穿戴设备中,例如智能手表可穿戴设备、智能眼镜设备、增强现实设备或虚拟现实设备。在至少一个实施例中,处理系统3500是电视或机顶盒设备,其具有一个或更多个处理器3502以及由一个或更多个图形处理器3508生成的图形界面。
在至少一个实施例中,一个或更多个处理器3502每个包括一个或更多个处理器核心3507,以处理指令,该指令在被执行时执行针对系统和用户软件的操作。在至少一个实施例中,一个或更多个处理器核心3507中的每一个被配置为处理特定指令集3509。在至少一个实施例中,指令集3509可以促进复杂指令集计算(CISC)、精简指令集计算(RISC),或通过超长指令字(VLIW)进行计算。在至少一个实施例中,多个处理器核心3507可以各自处理不同的指令集3509,该指令集3509可以包括有助于仿真其他指令集的指令。在至少一个实施例中,处理器核心3507还可以包括其他处理设备,例如数字信号处理器(DSP)。
在至少一个实施例中,处理器3502包括高速缓存存储器3504。在至少一个实施例中,处理器3502可以具有单个内部高速缓存或多个级别的内部高速缓存。在至少一个实施例中,高速缓存存储器在处理器3502的各个组件之间共享。在至少一个实施例中,处理器3502还使用外部高速缓存(例如,三级(L3)高速缓存或最后一级高速缓存(LLC))(未示出),其可以使用已知的高速缓存相干技术在处理器核心3507之间共享该逻辑。在至少一个实施例中,处理器3502中另外包括寄存器文件3506,处理器3502可以包括用于存储不同类型的数据的不同类型的寄存器(例如,整数寄存器、浮点寄存器、状态寄存器和指令指针寄存器)。在至少一个实施例中,寄存器文件3506可以包括通用寄存器或其他寄存器。
在至少一个实施例中,一个或更多个处理器3502与一个或更多个接口总线3510耦合,以在处理器3502与系统3500中的其他组件之间传输通信信号,例如地址、数据或控制信号。在至少一个实施例中,接口总线3510在一个实施例中可以是处理器总线,例如直接媒体接口(DMI)总线的版本。在至少一个实施例中,接口3510不限于DMI总线,并且可以包括一个或更多个外围组件互连总线(例如,PCI,PCI Express)、存储器总线或其他类型的接口总线。在至少一个实施例中,处理器3502包括集成存储器控制器3516和平台控制器集线器3530。在至少一个实施例中,存储器控制器3516促进存储设备与系统3500的其他组件之间的通信,而平台控制器集线器(PCH)3530通过本地I/O总线提供到I/O设备的连接。
在至少一个实施例中,存储设备3520可以是动态随机存取存储器(DRAM)设备、静态随机存取存储器(SRAM)设备、闪存设备、相变存储设备或具有适当的性能以用作过程存储器。在至少一个实施例中,存储设备3520可以用作系统3500的系统存储器,以存储数据3522和指令3521,以在一个或更多个处理器3502执行应用或过程时使用。在至少一个实施例中,存储器控制器3516还与可选的外部图形处理器3512耦合,其可以与处理器3502中的一个或更多个图形处理器3508通信以执行图形和媒体操作。在至少一个实施例中,显示设备3511可以连接至处理器3502。在至少一个实施例中,显示设备3511可以包括内部显示设备中的一个或更多个,例如在移动电子设备或便携式计算机设备或通过显示器接口(例如显示端口(DisplayPort)等)连接的外部显示设备。在至少一个实施例中,显示设备3511可以包括头戴式显示器(HMD),诸如用于虚拟现实(VR)应用或增强现实(AR)应用中的立体显示设备。
在至少一个实施例中,平台控制器集线器3530使外围设备能够通过高速I/O总线连接到存储设备3520和处理器3502。在至少一个实施例中,I/O外围设备包括但不限于音频控制器3546、网络控制器3534、固件接口3528、无线收发器3526、触摸传感器3525、数据存储设备3524(例如,硬盘驱动器、闪存等)。在至少一个实施例中,数据存储设备3524可以经由存储器接口(例如,SATA)或经由外围总线来连接,诸如外围组件互连总线(例如,PCI、PCIExpress)。在至少一个实施例中,触摸传感器3525可以包括触摸屏传感器、压力传感器或指纹传感器。在至少一个实施例中,无线收发器3526可以是Wi-Fi收发器、蓝牙收发器或移动网络收发器,诸如3G、4G或长期演进(LTE)收发器。在至少一个实施例中,固件接口3528使能与系统固件的通信,并且可以是例如统一的可扩展固件接口(UEFI)。在至少一个实施例中,网络控制器3534可以启用到有线网络的网络连接。在至少一个实施例中,高性能网络控制器(未示出)与接口总线3510耦合。在至少一个实施例中,音频控制器3546是多通道高清晰度音频控制器。在至少一个实施例中,系统3500包括可选的遗留I/O控制器3540,用于将遗留(例如,个人系统2(PS/2))设备耦合到系统。在至少一个实施例中,平台控制器集线器3530还可以连接到一个或更多个通用串行总线(USB)控制器3542,该控制器连接输入设备,诸如键盘和鼠标3543组合、相机3544或其他USB输入设备。
在至少一个实施例中,存储器控制器3516和平台控制器集线器3530的实例可以集成到离散的外部图形处理器中,例如外部图形处理器3512。在至少一个实施例中,平台控制器集线器3530和/或存储控制器3516可以在一个或更多个处理器3502的外部。例如,在至少一个实施例中,系统3500可以包括外部存储控制器3516和平台控制器集线器3530,其可以配置成在与处理器3502通信的系统芯片组中的存储器控制器集线器和外围控制器集线器。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715的部分或全部可以被合并到图形处理器3500中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用一种或更多种体现在图形处理器3512中的ALU。此外,在至少一个实施例中,可以使用除图17A或图17B所示的逻辑以外的逻辑来完成本文所述的推理和/或训练操作。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置图形处理器3500的ALU以执行一种或更本文描述的多种机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图36是根据至少一个实施例的具有一个或更多个处理器核心3602A-3602N、集成存储器控制器3614和集成图形处理器3608的处理器3600的框图。在至少一个实施例中,处理器3600可以包括直至并包括由虚线框表示的附加核心3602N的附加核心。在至少一个实施例中,每个处理器核心3602A-3602N包括一个或更多个内部高速缓存单元3604A-3604N。在至少一个实施例中,每个处理器核心还可以访问一个或更多个共享高速缓存的单元3606。
在至少一个实施例中,内部高速缓存单元3604A-3604N和共享高速缓存单元3606表示处理器3600内的高速缓存存储器层次结构。在至少一个实施例中,高速缓存存储器单元3604A-3604N可以包括每个处理器核心内的至少一级指令和数据以及共享中级缓存中的一级或更多级缓存,例如2级(L2)、3级(L3)、4级(L4)或其他级别的缓存,其中在外部存储器之前将最高级别的缓存归类为LLC。在至少一个实施例中,高速缓存相干逻辑维持各种高速缓存单元3606和3604A-3604N之间的相干。
在至少一个实施例中,处理器3600还可包括一组一个或更多个总线控制器单元3616和系统代理核心3610。在至少一个实施例中,一个或更多个总线控制器单元3616管理一组外围总线,例如一个或更多个PCI或PCI Express总线。在至少一个实施例中,系统代理核心3610为各种处理器组件提供管理功能。在至少一个实施例中,系统代理核心3610包括一个或更多个集成存储器控制器3614,以管理对各种外部存储器设备(未示出)的访问。
在至少一个实施例中,一个或更多个处理器核心3602A-3602N包括对多线程同时进行的支持。在至少一个实施例中,系统代理核心3610包括用于在多线程处理期间协调和操作核心3602A-3602N的组件。在至少一个实施例中,系统代理核心3610可以另外包括电源控制单元(PCU),该电源控制单元包括逻辑和组件以调节处理器核心3602A-3602N和图形处理器3608的一个或更多个电源状态。
在至少一个实施例中,处理器3600另外包括图形处理器3608以执行图形处理操作。在至少一个实施例中,图形处理器3608与共享高速缓存单元3606和包括一个或更多个集成存储器控制器3614的系统代理核心3610耦合。在至少一个实施例中,系统代理核心3610还包括用于驱动图形处理器输出到一个或更多个耦合的显示器的显示器控制器3611。在至少一个实施例中,显示器控制器3611也可以是经由至少一个互连与图形处理器3608耦合的独立模块,或者可以集成在图形处理器3608内。
在至少一个实施例中,基于环的互连单元3612用于耦合处理器3600的内部组件。在至少一个实施例中,可以使用替代性互连单元,例如点对点互连、交换互连或其他技术。在至少一个实施例中,图形处理器3608经由I/O链路3613与环形互连3612耦合。
在至少一个实施例中,I/O链路3613代表多种I/O互连中的至少一种,包括促进各种处理器组件与高性能嵌入式存储器模块3618(例如eDRAM模块)之间的通信的封装I/O互连。在至少一个实施例中,处理器核心3602A-3602N和图形处理器3608中的每一个使用嵌入式存储器模块3618作为共享的最后一级高速缓存。
在至少一个实施例中,处理器核心3602A-3602N是执行公共指令集架构的同质核心。在至少一个实施例中,处理器核心3602A-3602N在指令集架构(ISA)方面是异构的,其中一个或更多个处理器核心3602A-3602N执行公共指令集,而一个或更多个其他处理器核心3602A-36-02N执行公共指令集或不同指令集的子集。在至少一个实施例中,就微架构而言,处理器核心3602A-3602N是异构的,其中具有相对较高功耗的一个或更多个核心与具有较低功耗的一个或更多个功率核心耦合。在至少一个实施例中,处理器3600可以实现在一个或更多个芯片上或被实现为SoC集成电路。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,可以将推理和/或训练逻辑1715的部分或全部合并到处理器3600中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用在图36中的图形处理器3512、图形核心3602A-3602N或其他组件中体现的一个或更多个ALU。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图17A或17B所示的逻辑以外的逻辑来完成。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置图形处理器3600的ALU以执行一种或更多种机器学习算法、神经网络架构、用例或本文介绍的训练技术。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图37是根据本文所述的至少一个实施例的图形处理器核心3700的硬件逻辑的框图。在至少一个实施例中,图形处理器核心3700被包括在图形核心阵列内。在至少一个实施例中,图形处理器核心3700(有时称为核心切片)可以是模块化图形处理器内的一个或更多个图形核心。在至少一个实施例中,图形处理器核心3700是一个图形核心切片的示例,并且本文所述的图形处理器可以基于目标功率和性能包络线包括多个图形核心切片。在至少一个实施例中,每个图形核心3700可以包括与多个子核心3701A-3701F耦合的固定功能块3730,也称为子切片,其包括通用和固定功能逻辑的模块块。
在至少一个实施例中,固定功能块3730包括几何/固定功能管线3736,例如,在较低性能和/或较低功率的图形处理器实施方式中,该几何/固定功能管线3736可以由图形处理器3700中的所有子核心共享。在至少一个实施例中,几何/固定功能管线3736包括3D固定功能管线、视频前端单元,线程产生器和线程分派器以及管理统一返回缓冲区的统一返回缓冲区管理器。
在固定的至少一个实施例中,功能块3730还包括图形SoC接口3737、图形微控制器3738和媒体管线3739。在固定的至少一个实施例中,图形SoC接口3737提供了图形核心3700以及片上集成电路系统中的其他处理器核心之间的接口。在至少一个实施例中,图形微控制器3738是可编程子处理器,其可配置为管理图形处理器3700的各种功能,包括线程分派、调度和抢占。在至少一个实施例中,媒体管线3739包括有助于对包括图像和视频数据的多媒体数据进行解码、编码、预处理和/或后处理的逻辑。在至少一个实施例中,媒体管线3739经由对子核心3701-3701F内的计算或采样逻辑的请求来实现媒体操作。
在至少一个实施例中,SoC接口3737使图形核心3700能够与通用应用处理器核心(例如,CPU)和/或SoC内的其他组件通信,包括存储器层次结构元素,诸如共享的最后一级高速缓存、系统RAM和/或嵌入式片上或封装DRAM。在至少一个实施例中,SoC接口3737还可以使得能够与SoC内的固定功能设备(例如,相机成像管线)进行通信,并且使得能够使用和/或实现可以在图形核心3700和SoC内部的CPU之间共享的全局存储器原子。在至少一个实施例中,SoC接口3737还可以实现用于图形核心3700的电源管理控制,并且启用图形核心3700的时钟域与SoC内的其他时钟域之间的接口。在至少一个实施例中,SoC接口3737使得能够从命令流转化器和全局线程分派器接收命令缓冲区,其配置为向图形处理器内的一个或更多个图形核心中的每一个提供命令和指令。在至少一个实施例中,当要执行媒体操作时,可以将命令和指令分派给媒体管线3739,或者当要执行图形处理操作时,可以将其分配给几何形状和固定功能管线(例如,几何形状和固定功能管线3736、几何形状和固定功能管线3714)。
在至少一个实施例中,图形微控制器3738可以配置为对图形核心3700执行各种调度和管理任务。在至少一个实施例中,图形微控制器3738可以在子核心3701A-3701F中的执行单元(EU)阵列3702A-3702F、3704A-3704F内的各种图形并行引擎上执行图形和/或计算工作负载调度。在至少一个实施例中,在包括图形核心3700的SoC的CPU核心上执行的主机软件可以提交多个图形处理器门铃之一的工作负载,其调用适当的图形引擎上的调度操作。在至少一个实施例中,调度操作包括确定接下来要运行哪个工作负载、将工作负载提交给命令流转化器、抢先在引擎上运行的现有工作负载、监控工作负载的进度以及在工作负载完成时通知主机软件。在至少一个实施例中,图形微控制器3738还可以促进图形核心3700的低功率或空闲状态,从而为图形核心3700提供在图形核心3700内独立于操作系统和/或系统上的图形驱动程序软件的跨低功率状态转换的保存和恢复寄存器的能力。
在至少一个实施例中,图形核心3700可以具有比所示的子核心3701A-3701F多或少达N个模块化子核心。对于每组N个子核心,在至少一个实施例中,图形核心3700还可以包括共享功能逻辑3710、共享和/或高速缓冲存储器3712、几何/固定功能管线3714以及附加的固定功能逻辑3716以加速各种图形和计算处理操作。在至少一个实施例中,共享功能逻辑3710可以包括可由图形核心3700内的每个N个子核心共享的逻辑单元(例如,采样器、数学和/或线程间通信逻辑)。在至少一个实施例中,固定、共享和/或缓存存储器3712可以是图形核心3700内的N个子核心3701A-3701F的最后一级高速缓存,并且还可以用作可由多个子核心访问的共享存储器。在至少一个实施例中,可以包括几何/固定功能管线3714来代替固定功能块3730内的几何/固定功能管线3736,并且可以包括相同或相似的逻辑单元。
在至少一个实施例中,图形核心3700包括附加的固定功能逻辑3716,其可以包括供图形核心3700使用的各种固定功能加速逻辑。在至少一个实施例中,附加的固定功能逻辑3716包括用于仅位置着色中使用的附加的几何管线。在仅位置着色中,存在至少两个几何管线,而在几何/固定功能管线3716、3736内的完整几何管线和剔除管线中,其是可以包括在附加的固定功能逻辑3716中的附加几何管线。在至少一个实施例中,剔除管线是完整几何管线的修整版。在至少一个实施例中,完整管线和剔除管线可以执行应用程序的不同实例,每个实例具有单独的环境。在至少一个实施例中,仅位置着色可以隐藏被丢弃的三角形的长剔除运行,从而在某些情况下可以更早地完成着色。例如,在至少一个实施例中,附加固定功能逻辑3716中的剔除管线逻辑可以与主应用程序并行执行位置着色器,并且通常比完整管线更快地生成关键结果,因为剔除管线获取并遮蔽顶点的位置属性,无需执行光栅化和将像素渲染到帧缓冲区。在至少一个实施例中,剔除管线可以使用生成的临界结果来计算所有三角形的可见性信息,而与这些三角形是否被剔除无关。在至少一个实施例中,完整管线(在这种情况下可以称为重播管线)可以消耗可见性信息来跳过剔除的三角形以仅遮盖最终传递到光栅化阶段的可见三角形。
在至少一个实施例中,附加的固定功能逻辑3716还可包括机器学习加速逻辑,例如固定功能矩阵乘法逻辑,用于实现包括用于机器学习训练或推理的优化。
在至少一个实施例中,在每个图形子核心3701A-3701F内包括一组执行资源,其可用于响应于图形管线、媒体管线或着色器程序的请求来执行图形、媒体和计算操作。在至少一个实施例中,图形子核心3701A-3701F包括多个EU阵列3702A-3702F、3704A-3704F,线程分派和线程间通信(TD/IC)逻辑3703A-3703F,3D(例如,纹理)采样器3705A-3705F,媒体采样器3706A-3706F,着色器处理器3707A-3707F和共享本地存储器(SLM)3708A-3708F。EU阵列3702A-3702F、3704A-3704F每个都包含多个执行单元,这些执行单元是通用图形处理单元,能够为图形、媒体或计算操作提供服务,执行浮点和整数/定点逻辑运算,包括图形、媒体或计算着色器程序。在至少一个实施例中,TD/IC逻辑3703A-3703F为子核心内的执行单元执行本地线程分派和线程控制操作,并促进在子核心的执行单元上执行的线程之间的通信。在至少一个实施例中,3D采样器3705A-3705F可以将与纹理或其他3D图形相关的数据读取到存储器中。在至少一个实施例中,3D采样器可以基于与给定纹理相关联的配置的采样状态和纹理格式来不同地读取纹理数据。在至少一个实施例中,媒体采样器3706A-3706F可以基于与媒体数据相关联的类型和格式来执行类似的读取操作。在至少一个实施例中,每个图形子核心3701A-3701F可以可替代地包括统一的3D和媒体采样器。在至少一个实施例中,在每个子核心3701A-3701F内的执行单元上执行的线程可以利用每个子核心内的共享本地存储器3708A-3708F,以使在线程组内执行的线程能够使用片上存储器的公共池来执行。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715的部分或全部可以被合并到图形处理器3710中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用在图形处理器3512、图形微控制器3738、几何和固定功能管线3714和3736或图36中的其他逻辑中体现的一个或更多个ALU。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图17A或图17B所示的逻辑以外的逻辑来完成。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,所述寄存器配置图形处理器3700的ALU以执行一种或更多种本文介绍的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图38A-38B示出了根据至少一个实施例的包括图形处理器核心的处理元件的阵列的线程执行逻辑3800。图38A示出了至少一个实施例,其中使用了线程执行逻辑3800。图38B示出了根据至少一个实施例的执行单元的示例性内部细节。
如图38A中所示,在至少一个实施例中,线程执行逻辑3800包括着色器处理器3802、线程分派器3804、指令高速缓存3806、包括多个执行单元3808A-3808N的可缩放执行单元阵列、采样器3810、数据高速缓存3812和数据端口3814。在至少一个实施例中,可缩放执行单元阵列可以例如基于工作负载的计算要求,通过启用或禁用一个或更多个执行单元(例如,执行单元3808A、3808B、3808C,、3808D、从3808N-1到3808N中的任何一个)来动态缩放。在至少一个实施例中,可缩放执行单元通过链路到每个执行单元的互连结构互连。在至少一个实施例中,线程执行逻辑3800包括通过指令高速缓存3806、数据端口3814、采样器3810和执行单元3808A-3808N中的一个或更多个到存储器(诸如系统存储器或高速缓冲存储器)的一个或更多个连接。在至少一个实施例中,每个执行单元(例如3808A)是独立的可编程通用计算单元,其能够执行多个同时的硬件线程,同时针对每个线程并行处理多个数据元素。在至少一个实施例中,执行单元3808A-3808N的阵列可缩放以包括任意数量的单独执行单元。
在至少一个实施例中,执行单元3808A-3808N主要用于执行着色器程序。在至少一个实施例中,着色器处理器3802可以处理各种着色器程序并经由线程分派器3804来分派与着色器程序相关联的执行线程。在至少一个实施例中,线程分派器3804包括用于仲裁来自图形和媒体管线的线程初始化庆祝以及在执行单元3808A-3808N中的一个或更多个执行单元上实例化请求的线程的逻辑。例如,在至少一个实施例中,几何管线可以将顶点、镶嵌或几何着色器分派到线程执行逻辑以进行处理。在至少一个实施例中,线程分派器3804还可以处理来自执行着色器程序的运行时线程产生请求。
在至少一个实施例中,执行单元3808A-3808N支持一种指令集,该指令集包括对许多标准3D图形着色器指令的本机支持,从而使图形库(例如Direct 3D和OpenGL)中的着色器程序只需最少的翻译即可执行。在至少一个实施例中,执行单元支持顶点和几何处理(例如,顶点程序、几何程序、顶点着色器)、像素处理(例如,像素着色器、片段着色器)和通用处理(例如,计算和媒体着色器)。在至少一个实施例中,每个执行单元3808A-3808N包括一个或更多个算术逻辑单元(ALU),能够执行多发出单指令多数据(SIMD),并且多线程操作实现了高效的执行环境尽管有更高的延迟存储器访问。在至少一个实施例中,每个执行单元内的每个硬件线程具有专用的高带宽寄存器文件和相关的独立线程状态。在至少一个实施例中,执行是每个时钟到管线的多次发出,管线能够进行整数、单精度和双精度浮点运算、SIMD分支功能、逻辑运算、先验运算和其他其他运算。在至少一个实施例中,在等待来自存储器或共享功能之一的数据时,执行单元3808A-3808N内的依赖性逻辑使等待线程休眠直到返回了所请求的数据。在至少一个实施例中,当等待线程正在休眠时,硬件资源可以专用于处理其他线程。例如,在至少一个实施例中,在与顶点着色器操作相关联的延迟期间,执行单元可以对像素着色器、片段着色器或另一类型的着色器程序(包括不同的顶点着色器)执行操作。
在至少一个实施例中,执行单元3808A-3808N中的每一个执行单元在数据元素的阵列上进行操作。在至少一个实施例中,多个数据元素是“执行大小”或指令的通道数。在至少一个实施例中,执行通道是用于指令内的数据元素访问、屏蔽和流控制的执行的逻辑单元。在至少一个实施例中,多个通道可以独立于用于特定图形处理器的多个物理算术逻辑单元(ALU)或浮点单元(FPU)。在至少一个实施例中,执行单元3808A-3808N支持整数和浮点数据类型。
在至少一个实施例中,执行单元指令集包括SIMD指令。在至少一个实施例中,各种数据元素可以作为封装数据类型存储在寄存器中,并且执行单元将基于元素的数据大小来处理各种元素。例如,在至少一个实施例中,当对256位宽的向量进行操作时,将向量的256位存储在寄存器中,并且执行单元对向量进行操作,作为四个单独的64位封装数据元素(四字(QW)大小数据元素)、八个单独的32位封装数据元素(双字(DW)大小数据元素)、十六个单独的16位封装数据元素(单词(W)大小数据元素)或三十二个单独的8位数据元素(字节(B)大小的数据元素)。然而,在至少一个实施例中,不同的向量宽度和寄存器大小是可能的。
在至少一个实施例中,一个或更多个执行单元可以被组合成具有执行对于融合EU的线程控制逻辑(3807A-3807N)的融合执行单元3809A-3809N。在至少一个实施例中,可以将多个EU合并成一个EU组。在至少一个实施例中,融合EU组中的每个EU可以配置为执行单独的SIMD硬件线程。融合的EU组中的EU的数量可以根据各种实施例而变化。在至少一个实施例中,每个EU可以执行各种SIMD宽度,包括但不限于SIMD8、SIMD16和SIMD32。在至少一个实施例中,每个融合图形执行单元3809A-3809N包括至少两个执行单元。例如,在至少一个实施例中,融合执行单元3809A包括第一EU 3808A、第二EU 3808B以及第一EU 3808A和第二EU 3808B共有的线程控制逻辑3807A。在至少一个实施例中,线程控制逻辑3807A控制在融合图形执行单元3809A上执行的线程,从而允许融合执行单元3809A-3809N内的每个EU使用公共指令指针寄存器来执行。
在至少一个实施例中,一个或更多个内部指令高速缓存(例如3806)被包括在线程执行逻辑3800中以高速缓存用于执行单元的线程指令。在至少一个实施例中,包括一个或更多个数据高速缓存(例如3812)以在线程执行期间高速缓存线程数据。在至少一个实施例中,包括采样器3810以提供用于3D操作的纹理采样和用于媒体操作的媒体采样。在至少一个实施例中,采样器3810包括专门的纹理或媒体采样功能,以在将采样数据提供给执行单元之前在采样过程中处理纹理或媒体数据。
在执行期间,在至少一个实施例中,图形和媒体管线通过线程产生和分派逻辑将线程发起请求发送到线程执行逻辑3800。在至少一个实施例中,一旦一组几何对象已经被处理并光栅化成像素数据,则在着色器处理器3802内的像素处理器逻辑(例如,像素着色器逻辑、片段着色器逻辑等)被调用以进一步计算输出信息并且导致将结果写入输出表面(例如,颜色缓冲区、深度缓冲区、模板缓冲区等)。在至少一个实施例中,像素着色器或片段着色器计算要在光栅化对象上插值的各种顶点属性的值。在至少一个实施例中,着色器处理器3802内的像素处理器逻辑然后执行应用程序接口(API)提供的像素或片段着色器程序。在至少一个实施例中,为了执行着色器程序,着色器处理器3802经由线程分派器3804将线程分派到执行单元(例如3808A)。在至少一个实施例中,着色器处理器3802使用采样器3810中的纹理采样逻辑来访问存储在存储器中的纹理贴图中的纹理数据。在至少一个实施例中,对纹理数据和输入几何数据的算术运算为每个几何片段计算像素颜色数据,或者丢弃一个或更多个像素以进行进一步处理。
在至少一个实施例中,数据端口3814提供了一种用于线程执行逻辑3800的存储器访问机制,以将处理后的数据输出到存储器以在图形处理器输出管线上进行进一步处理。在至少一个实施例中,数据端口3814包括或耦合到一个或更多个高速缓存存储器(例如,数据高速缓存3812)以高速缓存数据以便经由数据端口进行存储器访问。
如图38B所示,在至少一个实施例中,图形执行单元3808可以包括指令获取单元3837、通用寄存器文件阵列(GRF)3824、架构寄存器文件阵列(ARF)3826、线程仲裁器3822、发送单元3830、分支单元3832、一组SIMD浮点单元(FPU)3834,以及在至少一个实施例中,一组专用整数SIMD ALU3835。在至少一个实施例中,GRF 3824和ARF 3826包括一组与可以在图形执行单元3808中活跃的每个同时硬件线程相关联的通用寄存器文件和架构寄存器文件。在至少一个实施例中,在ARF 3826中维护每个线程架构状态,而在线程执行期间使用的数据存储在GRF 3824中。在至少一个实施例中,每个线程的执行状态,包括每个线程的指令指针,可以被保存在ARF 3826中的线程专用寄存器中。
在至少一个实施例中,图形执行单元3808具有一种架构,该架构是同时多线程(SMT)和细粒度交错多线程(IMT)的组合。在至少一个实施例中,架构具有模块化配置,该模块化配置可以在设计时基于同时线程的目标数量和每个执行单元的寄存器数量来进行微调,其中执行单元资源在用于执行多个同时线程的逻辑上分配。
在至少一个实施例中,图形执行单元3808可以共同发布多个指令,每个指令可以是不同的指令。在至少一个实施例中,图形执行单元线程3808的线程仲裁器3822可以将指令分派到发送单元3830、分支单元3842或SIMD FPU 3834之一以供执行。在至少一个实施例中,每个执行线程可以访问GRF 3824中的128个通用寄存器,其中每个寄存器可以存储32个字节,可以作为32位数据元素的SIMD 8元素向量进行访问。在至少一个实施例中,每个执行单元线程可以访问GRF 3824中的4KB,尽管实施例不限于此,并且在其他实施例中可以提供更多或更少的寄存器资源。在至少一个实施例中,尽管每个执行单元的线程数量也可以根据实施例而变化,但是最多可以同时执行七个线程。在其中七个线程可以访问4KB的至少一个实施例中,GRF 3824可以存储总共28KB。在至少一个实施例中,灵活的寻址模式可以允许将寄存器一起寻址以有效地建立更宽的寄存器或表示跨步的矩形块数据结构。
在至少一个实施例中,经由由消息传递发送单元3830执行的“发送”指令来调度存储器操作、采样器操作和其他更长延迟的系统通信。在至少一个实施例中,将分支指令分派到专用分支单元3832促进SIMD发散和最终收敛。
在至少一个实施例中,图形执行单元3808包括一个或更多个SIMD浮点单元(FPU)3834,以执行浮点操作。在至少一个实施例中,FPU 3834还支持整数计算。在至少一个实施例中,FPU 3834可以SIMD执行多达M个32位浮点(或整数)运算,或者SIMD执行多达2M个16位整数或16位浮点运算。在至少一个实施例中,FPU中的至少一个提供扩展的数学能力以支持高吞吐量的先验数学函数和双精度64位浮点。在至少一个实施例中,还存在一组8位整数SIMD ALU 3835,并且可以被专门优化以执行与机器学习计算相关的操作。
在至少一个实施例中,可以在图形子核心分组(例如,子切片)中实例化图形执行单元3808的多个实例的阵列。在至少一个实施例中,执行单元3808可以跨多个执行通道执行指令。在至少一个实施例中,在图形执行单元3808上执行的每个线程在不同的通道上执行。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715的部分或全部可以被结合到执行逻辑3800中。此外,在至少一个实施例中,可以使用除了图17A或图17B中所示的逻辑之外的逻辑来完成在此描述的推理和/或训练操作。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置执行逻辑3800的ALU以执行一种或更多种机器学习算法、神经网络架构、用例或本文介绍的训练技术。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图39示出了根据至少一个实施例的并行处理单元(“PPU”)3900。在至少一个实施例中,PPU 3900配置有机器可读代码,该机器可读代码如果由PPU 3900执行,则使得PPU3900执行贯穿本公开描述的一些或全部过程和技术。在至少一个实施例中,PPU 3900是在一个或更多个集成电路设备上实现的多线程处理器,并且利用多线程作为被设计为处理在多个线程上并行执行的计算机可读指令(也称为机器可读指令或简单的指令)的延迟隐藏技术。在至少一个实施例中,线程是指执行线程,并且是被配置为由PPU 3900执行的一组指令的实例。在至少一个实施例中,PPU 3900是图形处理单元(“GPU”),图形处理单元配置为实现用于处理三维(“3D”)图形数据的图形渲染管道,以便生成用于在显示设备(诸如液晶显示器(“LCD”)设备)上显示的二维(“2D”)图像数据。在至少一个实施例中,PPU 3900用于执行计算,诸如线性代数运算和机器学习运算。图39仅出于说明性目的示出了示例并行处理器,并且应被解释为在本公开的范围内设想的处理器架构的非限制性示例,并且可以采用任何适当的处理器来对其进行补充和/或替代。
在至少一个实施例中,一个或更多个PPU 3900配置成加速高性能计算(“HPC”)、数据中心和机器学习应用程序。在至少一个实施例中,PPU 3900配置成加速深度学习系统和应用程序,包括以下非限制性示例:自动驾驶汽车平台、深度学习、高精度语音、图像、文本识别系统、智能视频分析、分子模拟、药物发现、疾病诊断、天气预报、大数据分析、天文学、分子动力学模拟、财务建模、机器人技术、工厂自动化、实时语言翻译、在线搜索优化以及个性化用户推荐等。
在至少一个实施例中,PPU 3900包括但不限于输入/输出(“I/O”)单元3906、前端单元3910、调度器单元3912、工作分配单元3914、集线器3916、交叉开关(“Xbar”)3920、一个或更多个通用处理集群(“GPC”)3918和一个或更多个分区单元(“存储器分区单元”)3922。在至少一个实施例中,PPU 3900通过一个或更多个高速GPU互连(“GPU互连”)3908连接到主机处理器或其他PPU 3900。在至少一个实施例中,PPU 3900通过互连3902连接到主机处理器或其他外围设备。在一实施例中,PPU 3900连接到包括一个或更多个存储器设备(“存储器”)3904的本地存储器。在至少一个实施例中,存储器设备3904包括但不限于一个或更多个动态随机存取存储器(“DRAM”)设备。在至少一个实施例中,一个或更多个DRAM设备配置和/或可配置为高带宽存储器(“HBM”)子系统,并且在每个设备内堆叠有多个DRAM管芯。
在至少一个实施例中,高速GPU互连3908可以指代系统使用其来进行缩放的基于线的多通道通信链路,并包括与一个或更多个中央处理单元结合的一个或更多个PPU 3900(“CPU”),支持PPU 3900和CPU之间的缓存相干以及CPU主控。在至少一个实施例中,高速GPU互连3908通过集线器3916将数据和/或命令传输到PPU 3900的其他单元,例如一个或更多个复制引擎、视频编码器、视频解码器、电源管理单元和/或在图39中可能未明确示出的其他组件。
在至少一个实施例中,I/O单元3906配置为通过系统总线3902从主机处理器(图39中未示出)发送和接收通信(例如,命令、数据)。在至少一个实施例中,I/O单元3906直接通过系统总线3902或通过一个或更多个中间设备(例如存储器桥)与主机处理器通信。在至少一个实施例中,I/O单元3906可以经由系统总线3902与一个或更多个其他处理器(例如一个或更多个PPU 3900)通信。在至少一个实施例中,I/O单元3906实现外围组件互连Express(“PCIe”)接口,用于通过PCIe总线进行通信。在至少一个实施例中,I/O单元3906实现用于与外部设备通信的接口。
在至少一个实施例中,I/O单元3906对经由系统总线3902接收的分组进行解码。在至少一个实施例中,至少一些分组表示被配置为使PPU 3900执行各种操作的命令。在至少一个实施例中,I/O单元3906如命令所指定的那样将解码的命令发送到PPU 3900的各种其他单元。在至少一个实施例中,命令被发送到前端单元3910和/或被发送到集线器3916或PPU 3900的其他单元,例如一个或更多个复制引擎、视频编码器、视频解码器、电源管理单元等(图39中未明确示出)。在至少一个实施例中,I/O单元3906配置为在PPU 3900的各种逻辑单元之间路由通信。
在至少一个实施例中,由主机处理器执行的程序在缓冲区中对命令流进行编码,该缓冲区将工作负载提供给PPU 3900以进行处理。在至少一个实施例中,工作负载包括指令和要由那些指令处理的数据。在至少一个实施例中,缓冲区是可由主机处理器和PPU3900两者访问(例如,读/写)的存储器中的区域—主机接口单元可以配置为访问经由I/O单元3906通过系统总线3902传输的存储器请求连接到系统总线3902的系统存储器中的缓冲区。在至少一个实施例中,主机处理器将命令流写入缓冲区,然后将指示命令流开始的指针发送给PPU 3900,使得前端单元3910接收指向一个或更多个命令流指针并管理一个或更多个命令流,从命令流中读取命令并将命令转发到PPU 3900的各个单元。
在至少一个实施例中,前端单元3910耦合到调度器单元3912,该调度器单元3912配置各种GPC 3918以处理由一个或更多个命令流定义的任务。在至少一个实施例中,调度器单元3912配置为跟踪与调度器单元3912管理的各种任务有关的状态信息,其中状态信息可以指示任务被分配给哪个GPC 3918,任务是活跃的还是非活跃的,与任务相关联的优先级等等。在至少一个实施例中,调度器单元3912管理在一个或更多个GPC 3918上执行的多个任务。
在至少一个实施例中,调度器单元3912耦合到工作分配单元3914,该工作分配单元3914配置为分派任务以在GPC 3918上执行。在至少一个实施例中,工作分配单元3914跟踪从调度器单元3912接收到的多个调度任务并且工作分配单元3914管理每个GPC 3918的待处理任务池和活跃任务池。在至少一个实施例中,待处理任务池包括多个时隙(例如32个时隙),这些时隙包含分配给要由特定的GPC 3918处理的任务;活跃任务池可包括用于由GPC 3918主动处理的任务的多个时隙(例如4个时隙),以使随着GPC 3918中的一个完成任务的执行,该任务将从GPC 3918的活动任务池中逐出,并且从待处理任务池中选择其他任务之一,并安排其在GPC 3918上执行。在至少一个实施例中,如果活跃任务在GPC 3918上处于空闲状态,例如在等待数据依赖性解决时,则活跃任务从GPC 3918中驱逐并返回到待处理任务池,同时选择了待处理任务池中的另一个任务并调度在GPC 3918上执行。
在至少一个实施例中,工作分配单元3914经由XBar3920与一个或更多个GPC 3918通信。在至少一个实施例中,XBar3920是互连网络,其将PPU 3900的许多单元耦合到PPU3900的其他单元,并且可以配置为将工作分配单元3914耦合到特定的GPC3918。在至少一个实施例中,一个或更多个PPU 3900的其他单元也可以通过集线器3916连接到XBar3920。
在至少一个实施例中,任务由调度器单元3912管理,并由工作分配单元3914分配给GPC 3918之一。GPC3918配置为处理任务并产生结果。在至少一个实施例中,结果可以由GPC 3918中的其他任务消耗,通过XBar3920路由到不同的GPC 3918或存储在存储器3904中。在至少一个实施例中,结果可以通过分区单元3922写到存储器3904中,其实现了用于向存储器3904写入数据或从存储器3904读取数据的存储器接口。在至少一个实施例中,结果可以经由高速GPU互连3908传输到另一PPU 3904或CPU。在至少一个实施例中,PPU 3900包括但不限于U个分区单元3922,其等于耦合到PPU 3900的分离且不同的存储设备3904的数量。在至少一个实施例中,下面结合图41更详细地描述分区单元3922。
在至少一个实施例中,主机处理器执行驱动器核心,该驱动程序核心实现应用程序编程接口(API),该应用程序编程接口使在主机处理器上执行的一个或更多个应用程序能够调度操作以在PPU 3900上执行。在一个实施例中,多个计算应用由PPU 3900同时执行,并且PPU 3900为多个计算应用程序提供隔离、服务质量(“QoS”)和独立的地址空间。在至少一个实施例中,应用程序生成指令(例如,以API调用的形式),该指令使驱动器核心生成一个或更多个任务以供PPU 3900执行,并且驱动器核心将任务输出至由PPU 3900处理的一个或更多个流。在至少一个实施例中,每个任务包括一个或更多个相关线程组,其可以被称为线程束(warp)。在至少一个实施例中,线程束包括可以并行执行的多个相关线程(例如32个线程)。在至少一个实施例中,协作线程可以指代多个线程,包括用于执行任务并且通过共享存储器交换数据的指令。在至少一个实施例中,结合图41根据至少一个实施例更详细地描述了线程和协作线程。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用处理器用于训练机器学习模型(诸如神经网络),以预测或推理提供给PPU 3900的信息。在至少一个实施例中,PPU 3900用于基于已由另一处理器或系统或PPU3900训练过的训练过的机器学习模型(例如,神经网络)推理或预测信息。在至少一个实施例中,PPU 3900可用于执行本文所述的一个或更多个神经网络用例。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图40示出了根据至少一个实施例的通用处理集群(“GPC”)4000。在至少一个实施例中,GPC 4000是图39的GPC 3918。在至少一个实施例中,每个GPC 4000包括但不限于用于处理任务的多个硬件单元,并且每个GPC 4000包括但不限于管线管理器4002、预光栅操作单元(“PROP”)4004、光栅引擎4008、工作分配交叉开关(“WDX”)4016、存储器管理单元(“MMU”)4018、一个或更多个数据处理集群(“DPC”)4006,以及部件的任何合适组合。
在至少一个实施例中,GPC 4000的操作由管线管理器4002控制。在至少一个实施例中,管线管理器4002管理一个或更多个DPC 4006的配置,以处理分配给GPC 4000的任务。在至少一个实施例中,管线管理器4002配置一个或更多个DPC 4006中的至少一个以实现图形渲染管线的至少一部分。在至少一个实施例中,DPC 4006配置为在可编程流式多处理器(“SM”)4014上执行顶点着色器程序。在至少一个实施例中,管线管理器4002配置为将从工作分配单元接收的数据包路由到GPC 4000内的适当逻辑单元,以及在至少一个实施例中,可以将一些数据包路由到PROP 4004和/或光栅引擎4008中的固定功能硬件单元,而可以将其他数据包路由到DPC 4006以由原始引擎4012进行处理。在至少一个实施例中,管线管理器4002配置DPC 4006中的至少一个以实现神经网络模型和/或计算管线。
在至少一个实施例中,PROP单元4004配置为在至少一个实施例中将由光栅引擎4008和DPC 4006生成的数据路由到分区单元3922中的光栅操作(“ROP”)单元,上面结合图39更详细地描述。在至少一个实施例中,PROP单元4004配置为执行用于颜色混合的优化、组织像素数据、执行地址转换等等。在至少一个实施例中,光栅引擎4008包括但不限于配置为执行各种光栅操作的多个固定功能硬件单元,并且在至少一个实施例中,光栅引擎4008包括但不限于设置引擎、粗光栅引擎、剔除引擎、裁剪引擎、精细光栅引擎、图块聚合引擎及其任意合适的组合。在至少一个实施例中,设置引擎接收变换后的顶点并生成与由顶点定义的几何图元相关联的平面方程;平面方程式被传送到粗光栅引擎以生成基本图元的覆盖信息(例如,图块的x、y覆盖范围掩码);粗光栅引擎的输出将传输到剔除引擎,在剔除引擎中与z测试失败的图元相关联的片段将被剔除,并传输到剪切引擎,在剪切引擎中剪切位于视锥范围之外的片段。在至少一个实施例中,将经过裁剪和剔除的片段传递给精细光栅引擎,以基于设置引擎生成的平面方程式生成像素片段的属性。在至少一个实施例中,光栅引擎4008的输出包括将由任何适当的实体(例如,由在DPC 4006内实现的片段着色器)处理的片段。
在至少一个实施例中,包括在GPC 4000中的每个DPC 4006包括但不限于M管道控制器(“MPC”)4010;图元引擎4012;一个或更多个SM 4014;及其任何合适的组合。在至少一个实施例中,MPC 4010控制DPC 4006的操作,将从管线管理器4002接收的分组路由到DPC4006中的适当单元。在至少一个实施例中,将与顶点相关联的分组路由到图元引擎4012,图元引擎4012配置为从存储器中获取与顶点关联的顶点属性;相反,可以将与着色器程序相关联的数据包发送到SM 4014。
在至少一个实施例中,SM 4014包括但不限于可编程流式处理器,其配置为处理由多个线程表示的任务。在至少一个实施例中,SM 4014是多线程的并且配置为同时执行来自特定线程组的多个线程(例如32个线程),并且实现单指令多数据(“SIMD”)架构,其中将一组线程(例如,线程束)中的每个线程配置为基于相同的指令集来处理不同的数据集。在至少一个实施例中,线程组中的所有线程执行相同的指令。在至少一个实施例中,SM 4014实施单指令多线程(“SIMT”)架构,其中一组线程中的每个线程配置为基于相同的指令集来处理不同的数据集,但是其中线程组中的各个线程允许在执行期间发散。在至少一个实施例中,为每个线程束维护程序计数器、调用栈和执行状态,从而当线程束中的线程发散时,实现线程束和线程束内的串行执行之间的并发性。在另一个实施例中,为每个单独的线程维护程序计数器、调用栈和执行状态,从而使得在线程束内和线程束之间的所有线程之间具有相等的并发性。在至少一个实施例中,为每个单独的线程维持执行状态,并且可以收敛并并行地执行执行相同指令的线程以提高效率。下面更详细地描述SM 4014的至少一个实施例。
在至少一个实施例中,MMU 4018在GPC 4000和存储器分区单元(例如,图39的分区单元3922)之间提供接口,并且MMU 4018提供虚拟地址到物理地址的转换、存储器保护以及存储器请求的仲裁。在至少一个实施例中,MMU 4018提供一个或更多个转换后备缓冲区(“TLB”),用于执行虚拟地址到存储器中的物理地址的转换。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用处理器用于训练机器学习模型(诸如神经网络),以预测或推理提供给GPC 4000的信息。在至少一个实施例中,GPC 4000用于基于已由另一处理器或系统或GPC 4000训练过的机器学习模型(例如,神经网络)推理或预测信息。在至少一个实施例中,GPC 4000可用于执行本文所述的一个或更多个神经网络用例。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
图41示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元4100。在至少一个实施例中,存储器分区单元4100包括但不限于光栅操作(“ROP”)单元4102;二级(“L2”)高速缓存4104;存储器接口4106;及其任何合适的组合。在至少一个实施例中,存储器接口4106耦合到存储器。在至少一个实施例中,存储器接口4106可以实现32、64、128、1024位数据总线,或者类似的实现方式用于高速数据传输。在至少一个实施例中,PPU包括U个存储器接口4106,每对分区单元4100一个存储器接口4106,其中每对分区单元4100连接到对应的存储器设备。例如,在至少一个实施例中,PPU可以连接至多达Y个存储器设备,例如高带宽存储器堆栈或图形双数据速率版本5同步动态随机地址存储器(“GDDR5SDRAM”)。
在至少一个实施例中,存储器接口4106实现高带宽存储器第二代(“HBM2”)存储器接口,并且Y等于U的一半。在至少一个实施例中,HBM2存储器堆栈与PPU位于同一物理封装上,与传统的GDDR5 SDRAM系统相比,可提供大量功率并节省面积。在至少一个实施例中,每个HBM2堆栈包括但不限于四个存储器管芯,且Y等于4,每个HBM2堆栈包括每个管芯两个128位通道,用于总共8个通道和1024位的数据总线宽度。在至少一个实施例中,存储器支持单错误校正双错误检测(“SECDED”)错误校正码(“ECC”)以保护数据。在至少一个实施例中,ECC为对数据损坏敏感的计算应用提供更高的可靠性。
在至少一个实施例中,PPU实现了多级存储器层次结构。在至少一个实施例中,存储器分区单元4100支持统一存储器以为中央处理单元(“CPU”)和PPU存储器提供单个统一虚拟地址空间,从而实现虚拟存储器系统之间的数据共享。在至少一个实施例中,追踪PPU对位于其他处理器上的存储器的访问频率,以确保将存储器页面移动到更频繁地访问页面的PPU的物理存储器。在至少一个实施例中,高速GPU互连3908支持地址转换服务,其允许PPU直接访问CPU的页表,并通过PPU提供对CPU存储器的完全访问。
在至少一个实施例中,复制引擎在多个PPU之间或PPU与CPU之间传输数据。在至少一个实施例中,复制引擎可以为未被映射到页表中的地址生成页面错误,并且存储器分区单元4100然后为页面错误提供服务,将地址映射到页表中,之后复制引擎执行传输。在至少一个实施例中,为多个处理器之间的多个复制引擎操作固定(即不可分页)存储器,从而实质上减少了可用存储器。在至少一个实施例中,在硬件页面故障的情况下,可以将地址传递给复制引擎,而无需考虑是否驻留存储器页面,并且复制过程是透明的。
根据至少一个实施例,来自图39的存储器3904或其他系统存储器的数据由存储器分区单元4100获取,并将其存储在L2高速缓存4104中,L2高速缓存4104位于芯片上并且在各种GPC之间共享。在至少一个实施例中,每个存储器分区单元4100包括但不限于与对应的存储器设备相关联的L2高速缓存的至少一部分。在至少一个实施例中,在GPC内的各个单元中实现较低级别的高速缓存。在至少一个实施例中,每个SM 4014可以实现一级(“L1”)高速缓存,其中L1高速缓存是专用于特定SM 4014的私有存储器,并且从L2高速缓存4104中获取数据并将其存储在每个L1高速缓存中,用于在SM 4014的功能单元中进行处理。在至少一个实施例中,L2高速缓存4104耦合到存储器接口4106和XBar3920。
在至少一个实施例中,ROP单元4102执行与像素颜色有关的图形光栅操作,诸如颜色压缩、像素混合等。在至少一个实施例中,ROP单元4102结合光栅引擎4008实施深度测试,从光栅引擎4008的剔除引擎接收与像素片段相关联的样本位置的深度。在至少一个实施例中,针对在与片段关联的样本位置的深度缓冲区中的相应深度测试深度。在至少一个实施例中,如果片段通过了针对样本位置的深度测试,则ROP单元4102更新深度缓冲区,并将深度测试的结果发送给光栅引擎4008。将意识到,分区单元4100的数量可以不同于光栅单元400的数量,因此,可以在至少一个实施例中将每个ROP单元4102耦合到每个GPC。在至少一个实施例中,ROP单元4102追踪从不同GPC接收到的分组,并确定通过XBar3920将ROP单元4102产生的结果路由到哪个。
图42示出了根据至少一个实施例的流式多处理器(“SM”)4200。在至少一个实施例中,SM 4200是图40的SM 4014。在至少一个实施例中,SM 4200包括但不限于指令高速缓存4202;一个或更多个调度器单元4204;寄存器文件4208;一个或更多个处理核心(“核心”)4210;一个或更多个特殊功能单元(“SFU”)4212;一个或更多个加载/存储单元(“LSU”)4214;互连网络4216;共享存储器/一级(“L1”)高速缓存4218;及其任何合适的组合。在至少一个实施例中,工作分配单元调度任务以在并行处理单元(“PPU”)的通用处理集群(“GPC”)上执行,并且每个任务被分配给GPC内部的特定数据处理集群(“DPC”),并且如果任务与着色器程序相关联,则将任务分配给SM 4200之一。在至少一个实施例中,调度器单元4204从工作分配单元接收任务并管理分配给SM 4200的一个或更多个线程块的指令调度。在至少一个实施例中,调度器单元4204调度线程块以作为并行线程的线程束来执行,其中,每个线程块被分配至少一个线程束。在至少一个实施例中,每个线程束执行线程。在至少一个实施例中,调度器单元4204管理多个不同的线程块,将线程束分配给不同的线程块,然后在每个时钟周期内将来自多个不同的协作组的指令分派给各种功能单元(例如,处理核心4210、SFU 4212和LSU 4214)。
在至少一个实施例中,合作组可以指用于组织通信线程组的编程模型,其允许开发人员表达线程正在通信的粒度,从而能够表达更丰富、更有效的并行分解。在至少一个实施例中,协作启动API支持线程块之间的同步以执行并行算法。在至少一个实施例中,常规编程模型的应用提供了用于同步协作线程的单一、简单的构造:跨线程块的所有线程的屏障(例如,syncthreads()函数)。但是,在至少一个实施例中,程序员可以在小于线程块粒度的情形下来定义线程组,并在所定义的组内进行同步,以实现更高的性能、设计灵活性以及以集合组范围功能接口的形式实现软件重用。在至少一个实施例中,协作组使程序员能够以子块(即,小到单个线程)和多块粒度明确定义线程组,并执行集合操作,例如对协作组中的线程进行同步。在至少一个实施例中,编程模型支持跨软件边界的干净组合,从而库和实用程序功能可以在其本地环境中安全地同步,而不必进行关于收敛的假设。在至少一个实施例中,协作组图元使协作并行的新图案成为可能,包括但不限于生产者-消费者并行,机会主义并行以及整个线程块网格上的全局同步。
在至少一个实施例中,调度单元4206配置为将指令发送到功能单元中的一个或更多个,并且调度器单元4204包括但不限于两个调度单元4206,该两个调度单元4206使得来自相同线程束的两个不同指令能够在每个时钟周期被调度。在至少一个实施例中,每个调度器单元4204包括单个调度单元4206或附加调度单元4206。
在至少一个实施例中,每个SM 4200在至少一个实施例中包括但不限于寄存器文件4208,该寄存器文件4208为SM 4200的功能单元提供了一组寄存器。在至少一个实施例中,寄存器文件4208在每个功能单元之间划分,从而为每个功能单元分配寄存器文件4208的专用部分。在至少一个实施例中,寄存器文件4208在由SM 4200执行的不同线程束之间划分,并且寄存器文件4208为连接到功能单元的数据路径的操作数提供临时存储。在至少一个实施例中,每个SM 4200包括但不限于多个L个处理核心4210。在至少一个实施例中,SM4200包括但不限于大量(例如128个或更多)不同的处理核心4210。在至少一个实施例中,每个处理核心4210在至少一个实施例中包括但不限于全管线、单精度、双精度和/或混合精度处理单元,其包括但不限于浮点算术逻辑单元和整数算术逻辑单元。在至少一个实施例中,浮点算术逻辑单元实现用于浮点算术的IEEE 754-2008标准。在至少一个实施例中,处理核心4210包括但不限于64个单精度(32位)浮点核心、64个整数核心、32个双精度(64位)浮点核心和8个张量核心。
根据至少一个实施例,张量核心配置为执行矩阵运算。在至少一个实施例中,一个或更多个张量核心包括在处理核心4210中。在至少一个实施例中,张量核心配置为执行深度学习矩阵算术,例如用于神经网络训练和推理的卷积运算。在至少一个实施例中,每个张量核心在4×4矩阵上操作并且执行矩阵乘法和累加运算D=A×B+C,其中A、B、C和D是4×4矩阵。
在至少一个实施例中,矩阵乘法输入A和B是16位浮点矩阵,并且累加矩阵C和D是16位浮点或32位浮点矩阵。在至少一个实施例中,张量核心对具有32位浮点累积的16位浮点输入数据进行操作。在至少一个实施例中,16位浮点乘法使用64个运算,并得到全精度乘积,然后使用32位浮点加法与其他中间乘积累加起来,以进行4x4x4矩阵乘法。在至少一个实施例中,张量核心用于执行由这些较小的元件构成的更大的二维或更高维度的矩阵运算。在至少一个实施例中,API(诸如CUDA 9C++API)公开专门的矩阵加载、矩阵乘法和累加以及矩阵存储操作,以有效地使用来自CUDA-C++程序的张量核心。在至少一个实施例中,在CUDA级别,线程束级别接口假定跨越所有32个线程束线程的16×16大小的矩阵。
在至少一个实施例中,每个SM 4200包括但不限于执行特殊功能(例如,属性评估、倒数平方根等)的M个SFU 4212。在至少一个实施例中,SFU 4212包括但不限于配置为遍历分层树数据结构的树遍历单元。在至少一个实施例中,SFU 4212包括但不限于配置为执行纹理映射过滤操作的纹理单元。在至少一个实施例中,纹理单元配置为从存储器中加载纹理映射(例如,纹理像素的2D阵列)和采样纹理映射,以产生采样的纹理值以供由SM 4200执行的着色器程序使用。在至少一个实施例中,将纹理映射存储在共享存储器/L1高速缓存4218中。在至少一个实施例中,根据至少一个实施例,纹理单元使用mip映射(mip-maps)(例如,细节级别不同的纹理映射)来实现纹理操作(诸如过滤操作)。在至少一个实施例中,每个SM 4200包括但不限于两个纹理单元。
在至少一个实施例中,每个SM 4200包括但不限于实现共享存储器/L1高速缓存4218与寄存器文件4208之间的加载和存储操作的N个LSU 4214。在至少一个实施例中,每个SM 4200包括但不限于互连网络4216,互连网络4216将每个功能单元连接到寄存器文件4208,并且LSU 4214连接到寄存器文件4208和共享存储器/L1高速缓存4218。在至少一个实施例中,互连网络4216是交叉开关,其可以配置为将任何功能单元连接到寄存器文件4208中的任何寄存器,并且将LSU 4214连接到寄存器文件4208和共享存储器/L1高速缓存4218中的存储器位置。
在至少一个实施例中,共享存储器/L1高速缓存4218是片上存储器的阵列,其在至少一个实施例中允许SM 4200与图元引擎之间以及SM 4200中的线程之间的数据存储和通信。在至少一个实施例中,共享存储器/L1高速缓存4218包括但不限于128KB的存储容量,并且位于从SM 4200到分区单元的路径中。在至少一个实施例中,共享存储器/L1高速缓存4218在至少一个实施例中用于高速缓存读取和写入。在至少一个实施例中,共享存储器/L1高速缓存4218、L2高速缓存和存储器中的一个或更多个是后备存储器。
在至少一个实施例中,将数据高速缓存和共享存储器功能组合到单个存储器块中,为两种类型的存储器访问提供了改进的性能。在至少一个实施例中,容量由不使用共享存储器的程序使用或将其用作高速缓存,例如如果共享存储器配置为使用一半容量,则纹理和加载/存储操作可以使用剩余容量。根据至少一个实施例,在共享存储器/L1高速缓存4218内的集成使共享存储器/L1高速缓存4218能够用作用于流传输数据的高吞吐量管道,同时提供对频繁重用的数据的高带宽和低延迟访问。在至少一个实施例中,当配置用于通用并行计算时,与图形处理相比,可以使用更简单的配置。在至少一个实施例中,绕过固定功能图形处理单元,从而创建了更加简单的编程模型。在至少一个实施例中,在通用并行计算配置中,工作分配单元直接将线程的块分配和分布给DPC。在至少一个实施例中,块中的线程执行相同的程序,在计算中使用唯一的线程ID以确保每个线程生成唯一的结果,使用SM 4200执行程序并执行计算,使用共享存储器/L1高速缓存4218在线程之间进行通信,以及使用LSU 4214通过共享存储器/L1高速缓存4218和存储器分区单元来读写全局存储器。在至少一个实施例中,当被配置用于通用并行计算时,SM 4200向调度器单元4204写入可以用来在DPC上启动新工作的命令。
在至少一个实施例中,PPU被包括在台式计算机、膝上型计算机、平板电脑、服务器、超级计算机、智能电话(例如,无线、手持设备)、个人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、手持式电子设备等中或与之耦合。在至少一个实施例中,PPU被实现在单个半导体衬底上。在至少一个实施例中,PPU与一个或更多个其他设备(例如附加的PPU、存储器、精简指令集计算机(“RISC”)CPU,一个或更多个存储器管理单元(“MMU”)、数模转换器(“DAC”)等)一起被包括在片上系统(“SoC”)中。
在至少一个实施例中,PPU可以被包括在包括一个或更多个存储设备的图形卡上。图形卡可以配置为与台式计算机主板上的PCIe插槽相连接。在至少一个实施例中,PPU可以是包括在主板的芯片组中的集成图形处理单元(“iGPU”)。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关的推理和/或训练操作。下面结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用处理器用于训练机器学习模型(诸如神经网络),以预测或推理提供给SM 4200的信息。在至少一个实施例中,SM 4200用于基于已由另一处理器或系统或由SM4200训练过的机器学习模型(例如,神经网络)推理或预测信息。在至少一个实施例中,SM4200可用于执行一个或更多个本文所述的神经网络用例。
在至少一个实施例中,这样的组件可用于确定对象相对于车辆的位置。
在至少一个实施例中,单个半导体平台可以指唯一的单一的基于半导体的集成电路或芯片。在至少一个实施例中,可以使用具有增加的连接性的多芯片模块,其模拟芯片上的操作,并且相对于利用传统的中央处理单元(“CPU”)和总线实施方式进行了实质性的改进。在至少一个实施例中,根据用户的需求,各种模块也可以分开放置或以半导体平台的各种组合放置。
在至少一个实施例中,将以机器可读的可执行代码或计算机控制逻辑算法的形式的计算机程序存储在主存储器2204和/或辅助存储器中。根据至少一个实施例,如果由一个或更多个处理器执行,则计算机程序使系统2200能够执行各种功能。在至少一个实施例中,存储器2204、存储器和/或任何其他存储器是计算机可读介质的可能示例。在至少一个实施例中,辅助存储器可以指代任何合适的存储设备或系统,例如硬盘驱动器和/或可移除存储驱动器,代表软盘驱动器、磁带驱动器、光盘驱动器、数字多功能盘(“DVD”)驱动器、记录设备、通用串行总线(“USB”)闪存等。在至少一个实施例中,各种先前附图的架构和/或功能是在CPU 2202;并行处理系统2212;能够具有至少两个CPU 2202的能力的至少一部分的集成电路;并行处理系统2212;芯片组(例如,一组设计成工作并作为执行相关功能的单元出售的集成电路等);以及集成电路的任何适当组合的环境中实现的。
在至少一个实施例中,各种先前附图的架构和/或功能在通用计算机系统、电路板系统、专用于娱乐目的的游戏控制台系统、专用系统等的环境中实现。在至少一个实施例中,计算机系统2200可以采取台式计算机、膝上型计算机、平板电脑、服务器、超级计算机、智能电话(例如,无线,、手持设备)、个人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、手持式电子设备、移动电话设备、电视、工作站、游戏机、嵌入式系统和/或任何其他类型的逻辑的形式。
在至少一个实施例中,并行处理系统2212包括但不限于多个并行处理单元(“PPU”)2214和相关联的存储器2216。在至少一个实施例中,PPU 2214通过互连2218和开关2220或多路复用器连接到主机处理器或其他外围设备。在至少一个实施例中,并行处理系统2212在可并行化的PPU 2214上分配计算任务,例如,作为跨多个图形处理单元(“GPU”)线程块的计算任务分布的一部分。在至少一个实施例中,在PPU 2214中的一些或全部之间共享和访问存储器(例如,用于读取和/或写入访问),尽管这种共享存储器可能引发相对于使用本地存储器和驻留在PPU 2214上的寄存器的性能损失。在至少一个实施例中,通过使用命令(诸如__syncthreads())来同步PPU 2214的操作,其中块中的所有线程(例如,跨多个PPU 2214执行)在进行之前到达某个代码执行点。
其他变型在本公开的精神内。因此,尽管公开的技术易于进行各种修改和替代构造,但是其某些示出的实施例在附图中示出并且已经在上面进行了详细描述。但是,应当理解,无意将公开内容限制为所公开的一种或更多种特定形式,而是相反,其意图是涵盖落入如所附权利要求书所定义的公开内容的精神和范围内的所有修改、替代构造和等同物。
除非另有说明,除非另有说明或显然与环境矛盾,否则在描述所公开的实施例的环境中(特别是在所附权利要求的环境中)对术语“一”,“一个”和“该”以及类似指代的使用应解释为涵盖单数和复数,并且不作为术语的定义。术语“包含”,“具有”,“包括”和“内含”应解释为开放式术语(意思是“包括但不限于”)。术语“连接”在未经修改时指的是物理连接,应理解为部分或全部包含在,连接到或连接在一起的部分或全部,即使有任何介入。除非在此另外指出,否则本文中数值范围的引用仅旨在用作分别指代落入该范围内的每个单独值的速记方法,并且每个单独值都被并入说明书中,就如同其在本文中被单独叙述一样。除非环境另外指出或矛盾,否则术语“组”(例如“一组项目”)或“子集”的使用应解释为包括一个或更多个成员的非空集合。此外,除非环境另外指出或矛盾,否则相应集合的术语“子集”不一定表示相应集合的适当子集,而是子集和相应集合可以相等。
除非以其他方式明确指出或与环境明显矛盾,否则诸如“A、B和C中的至少一个”或“A、B和C的至少一个”形式的词组等联合语言在环境中理解为通常用来表示项目,术语等可以是A或B或C,也可以是A和B和C集合的任何非空子集。例如,在具有三个成员,连接短语“A、B和C中的至少一个”和“A、B和C的至少一个”是指以下任意集合:{A},{B},{C},{A,B},{A,C},{B,C},{A,B,C}。因此,这种联合语言通常不意图暗示某些实施例要求存在A中的至少一个、B中的至少一个和C中的至少一个。另外,除非另有说明或与环境矛盾,否则术语“多个”表示复数的状态(例如,“多个项目”表示多个项目)。复数是至少两个项目,但是当明确地或通过环境指示时可以是多个。此外,除非另有说明或从环境中清楚得知,否则短语“基于”是指“至少部分基于”而不是“仅基于”。
除非本文另外指出或与环境明显矛盾,否则本文描述的过程的操作可以任何合适的顺序执行。在至少一个实施例中,诸如本文所述的那些过程(或其变形和/或其组合)的过程在配置有可执行指令的一个或更多个计算机系统的控制下执行,并且被实现为代码(例如,可执行指令、一个或更多个计算机程序或一个或更多个应用程序)通过硬件或其组合在一个或更多个处理器上共同执行。在至少一个实施例中,代码例如以计算机程序的形式存储在计算机可读存储介质上,该计算机程序包括可由一个或更多个处理器执行的多个指令。在至少一个实施例中,计算机可读存储介质是非暂时性计算机可读存储介质,其不包括暂时性信号(例如,传播的瞬态电或电磁传输),但包括暂时性信号的收发器中的非暂时性数据存储电路(例如,缓冲区、高速缓存和队列)。在至少一个实施例中,代码(例如,可执行代码或源代码)被存储在其上存储有可执行指令(或其他存储器以存储可执行指令)的一组一个或更多个非暂时性计算机可读存储介质上,当由计算机系统的一个或更多个处理器执行(即,由于被执行)而导致的计算机系统执行本文所述的操作。在至少一个实施例中,一组非暂时性计算机可读存储介质包括多个非暂时性计算机可读存储介质以及缺少所有代码的多个非暂时性计算机可读存储介质的一个或更多个单个非暂时性存储介质,而多个非暂时性计算机可读存储介质共同存储所有代码。在至少一个实施例中,执行可执行指令,使得不同的指令由不同的处理器执行,例如,非暂时性计算机可读存储介质存储指令,并且主中央处理单元(“CPU”)执行一些指令,而图形处理单元(“GPU”)执行其他指令。在至少一个实施例中,计算机系统的不同组件具有单独的处理器,并且不同的处理器执行指令的不同子集。
因此,在至少一个实施例中,计算机系统被配置为实现单独地或共同地执行本文所描述的过程的操作的一个或更多个服务,并且这样的计算机系统配置有能够实现操作的适用的硬件和/或软件。此外,实现本公开的至少一个实施例的计算机系统是单个设备,并且在另一实施例中,是一种分布式计算机系统,其包括以不同方式操作的多个设备,使得分布式计算机系统执行本文所述的操作,并且使得单个设备不执行所有操作。
本文提供的任何和所有示例或示例性语言(例如,“诸如”)的使用仅旨在更好地阐明本公开的实施例,并且不对公开的范围构成限制,除非另有声明。说明书中的任何语言都不应被解释为表示对于实施公开必不可少的任何未要求保护的要素。
本文引用的所有参考文献,包括出版物、专利申请和专利,均以引用的方式并入本文,如同每个参考文献被单独且具体地指出以引用的方式并入本文一样。
在描述和权利要求中,可以使用术语“耦合”和“连接”及其派生词。应当理解,这些术语可能不旨在作为彼此的同义词。相反,在特定示例中,“连接”或“耦合”可用于指示两个或更多个元件彼此直接或间接物理或电接触。“耦合”也可能意味着两个或更多个元素彼此不直接接触,但仍彼此协作或交互。
除非另外特别说明,否则可以理解,在整个说明书中,诸如“处理”、“计算”、“运算”、“确定”等,是指计算机或计算系统的动作和/或过程。或类似的电子计算设备,将计算系统的寄存器和/或存储器中表示为物理量(例如电子)的数据处理和/或转换为类似表示为计算系统的存储器、寄存器或其他此类信息存储、传输或显示设备中的物理量的其他数据。
以类似的方式,术语“处理器”可以指处理来自寄存器和/或存储器的电子数据并将该电子数据转换成可以存储在寄存器和/或存储器中的其他电子数据的任何设备或设备的一部分。作为非限制性示例,“处理器”可以是CPU或GPU。“计算平台”可以包括一个或更多个处理器。如本文所使用的,“软件”过程可以包括例如随时间执行工作的软件和/或硬件实体,诸如任务、线程和智能代理。而且,每个过程可以指代多个过程,以连续地或间歇地顺序地或并行地执行指令。因为系统可以体现一种或更多种方法并且方法可以被认为是系统,术语“系统”和“方法”在本文中可互换使用。
在本文件中,可以参考获得、获取、接收或将模拟或数字数据输入子系统、计算机系统或计算机实现的机器中。可以以多种方式来完成获得、获取、接收或输入模拟和数字数据,例如通过接收作为函数调用或对应用程序接口的调用的参数的数据。在一些实施方式中,获得、获取、接收或输入模拟或数字数据的过程可以通过经由串行或并行接口传输数据来完成。在另一实施方式中,可以通过经由计算机网络将数据从提供实体传输到获取实体来完成获得、获取、接收或输入模拟或数字数据的过程。也可以参考提供、输出、传输、发送或呈现模拟或数字数据。在各种示例中,提供、输出、传输、发送或呈现模拟或数字数据的过程可以通过将数据作为函数调用的输入或输出参数,应用程序编程接口或进程间通信机制的参数进行传输来实现。
尽管上面的讨论阐述了所描述的技术的示例实现,但是其他架构可以用于实现所描述的功能,并且意图在本公开的范围内。此外,尽管出于讨论目的在上面定义了具体的责任分配,但是根据情况,可以以不同的方式分配和划分各种功能和职责。
此外,尽管已经用针对结构特征和/或方法动作的语言描述了主题,但是应该理解,所附权利要求书所要求保护的主题不必限于所描述的特定特征或动作。而是,公开了特定的特征和动作作为实现权利要求的示例性形式。
Claims (28)
1.一种处理器,包括:
一个或更多个电路,以独立于从车辆中一个或更多个传感器检测到乘员的角度来帮助确定所述车辆的所述乘员的视线。
2.根据权利要求1所述的处理器,其中所述视线至少部分地基于一个或更多个神经网络来确定。
3.根据权利要求2所述的处理器,其中使用对于车辆坐标系已知的位置数据来训练所述一个或更多个神经网络,并将所述一个或更多个神经网络映射到与所述一个或更多个传感器相对应的至少一个虚拟坐标系。
4.根据权利要求3所述的处理器,其中所述位置数据部分地通过识别位于所述车辆中并在训练数据收集过程期间检测到的数据中表示的基准要素而获得。
5.根据权利要求3所述的处理器,其中使用定位在所述车辆中的所述车辆坐标系的固定位置处的校准架将所述车辆坐标系映射到所述至少一个虚拟坐标系。
6.根据权利要求3所述的处理器,其中所述一个或更多个电路还通过确定乘员视线矢量与所述车辆的区域的交点来帮助确定所述视线。
7.一种车辆,包括:
一个或更多个传感器;以及
一个或更多个处理器,以独立于从所述一个或更多个传感器检测到的乘员的角度帮助确定所述车辆的所述乘员的视线。
8.根据权利要求7所述的车辆,其中所述视线至少部分地基于一个或更多个神经网络来确定。
9.根据权利要求8所述的车辆,其中使用对于车辆坐标系已知的位置数据来训练所述一个或更多个神经网络,并将所述一个或更多个神经网络映射到与所述一个或更多个传感器相对应的至少一个虚拟坐标系。
10.根据权利要求9所述的车辆,其中所述位置数据部分地通过识别位于所述车辆中并在训练数据收集过程期间检测到的数据中表示的基准要素而获得。
11.根据权利要求9所述的车辆,其中使用定位在所述车辆中的所述车辆坐标系的固定位置处的校准架将所述车辆坐标系映射到所述至少一个虚拟坐标系。
12.根据权利要求9所述的车辆,其中所述一个或更多个电路还用于通过确定乘员视线矢量与所述车辆的区域的交点来帮助确定所述视线。
13.一种方法,包括:
通过一个或更多个传感器检测车辆的一个或更多个乘员;以及
独立于所述一个或更多个传感器的位置确定所述一个或更多个乘员的视线。
14.根据权利要求13所述的方法,其中所述视线是至少部分地基于一个或更多个神经网络来确定的。
15.根据权利要求14所述的方法,其中使用对于车辆坐标系已知的位置数据来训练所述一个或更多个神经网络,并将所述一个或更多个神经网络映射到与所述一个或更多个传感器相对应的至少一个虚拟坐标系。
16.根据权利要求15所述的方法,其中所述位置数据是部分地通过识别在训练数据收集过程期间检测到的数据中表示的基准要素而获得的。
17.根据权利要求15所述的方法,其中使用定位在所述车辆中的所述车辆坐标系的固定位置处的校准架将所述车辆坐标系映射到所述至少一个虚拟坐标系。
18.根据权利要求15所述的方法,其中所述视线部分地通过识别乘员视线矢量与所述车辆的识别区域的交点来确定。
19.一种处理器,包括:
一个或更多个电路,用以帮助训练一个或更多个神经网络以独立于所述视线被检测到的角度来确定一个或更多个人的视线。
20.根据权利要求19所述的处理器,其中使用对于参考坐标系已知的位置数据来训练所述一个或更多个神经网络,并将所述一个或更多个神经网络映射到与用于检测所述一个或更多个人的一个或更多个传感器相对应的至少一个虚拟坐标系。
21.根据权利要求20所述的处理器,其中所述位置数据是部分地通过识别在训练数据收集过程期间检测到的数据中表示的基准要素而获得的。
22.根据权利要求20所述的处理器,其中使用位于物理空间中的所述参考坐标系的固定位置处的校准架将所述参考坐标系映射到所述至少一个虚拟坐标系。
23.根据权利要求20所述的处理器,其中所述一个或更多个电路还通过确定视线矢量与识别区域的交点来帮助确定所述视线。
24.一种系统,包括:
一个或更多个处理器,用以帮助训练一个或更多个神经网络以独立于所述视线被检测到的角度来确定一个或更多个人的视线。
25.根据权利要求24所述的系统,其中使用对于参考坐标系已知的位置数据来训练所述一个或更多个神经网络,并将所述一个或更多个神经网络映射到与用于检测所述一个或更多个人的一个或更多个传感器相对应的至少一个虚拟坐标系。
26.根据权利要求25所述的系统,其中所述位置数据是部分地通过识别在训练数据收集过程期间检测到的数据中表示的基准要素而获得的。
27.根据权利要求25所述的系统,其中使用位于物理空间中的所述参考坐标系的固定位置处的校准架将所述参考坐标系映射到所述至少一个虚拟坐标系。
28.根据权利要求25所述的系统,其中所述一个或更多个处理器还通过确定视线矢量与识别区域的交点来帮助确定所述视线。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/544,442 US11144754B2 (en) | 2019-08-19 | 2019-08-19 | Gaze detection using one or more neural networks |
US16/544,442 | 2019-08-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112389443A true CN112389443A (zh) | 2021-02-23 |
Family
ID=74495978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010089073.8A Pending CN112389443A (zh) | 2019-08-19 | 2020-02-12 | 使用一个或更多个神经网络进行视线检测 |
Country Status (4)
Country | Link |
---|---|
US (3) | US11144754B2 (zh) |
JP (1) | JP7403293B2 (zh) |
CN (1) | CN112389443A (zh) |
DE (1) | DE102020120201A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034543A (zh) * | 2021-03-18 | 2021-06-25 | 德清阿尔法创新研究院 | 一种基于局部注意力机制的3D-ReID多目标追踪方法 |
CN113569785A (zh) * | 2021-08-04 | 2021-10-29 | 上海汽车集团股份有限公司 | 驾驶状态感知方法及装置 |
TWI759194B (zh) * | 2021-05-03 | 2022-03-21 | 廣達電腦股份有限公司 | 車用電子系統及其控制方法 |
CN117035559A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176000A1 (en) | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11250242B2 (en) * | 2017-09-13 | 2022-02-15 | Visualcamp Co., Ltd. | Eye tracking method and user terminal performing same |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
CN115512173A (zh) | 2018-10-11 | 2022-12-23 | 特斯拉公司 | 用于使用增广数据训练机器模型的系统和方法 |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
DE102018129143B4 (de) * | 2018-11-20 | 2021-06-17 | Carl Zeiss Industrielle Messtechnik Gmbh | Variabler messobjektabhängiger Kameraaufbau und Kalibrierung davon |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
US20210110217A1 (en) * | 2019-10-11 | 2021-04-15 | Zf Active Safety And Electronics Us Llc | Automotive sensor fusion |
KR20190122606A (ko) * | 2019-10-11 | 2019-10-30 | 엘지전자 주식회사 | 차량 내 객체 모니터링 장치 및 방법 |
US20220366451A1 (en) * | 2019-10-25 | 2022-11-17 | Nec Solution Innovators, Ltd. | Display apparatus, event support system, display method, and event support system production method |
GB202305331D0 (en) * | 2019-12-18 | 2023-05-24 | Motional Ad Llc | Camera-to-lidar calibration and validation |
US11574494B2 (en) * | 2020-01-27 | 2023-02-07 | Ford Global Technologies, Llc | Training a neural network to determine pedestrians |
US11768281B2 (en) * | 2020-02-28 | 2023-09-26 | Continental Autonomous Mobility US, LLC | Vehicle component with image sensor aimed at fiducial marker |
US11604946B2 (en) | 2020-05-06 | 2023-03-14 | Ford Global Technologies, Llc | Visual behavior guided object detection |
WO2021223098A1 (en) * | 2020-05-06 | 2021-11-11 | Alibaba Group Holding Limited | Hierarchical methods and systems for storing data |
US11620476B2 (en) * | 2020-05-14 | 2023-04-04 | Micron Technology, Inc. | Methods and apparatus for performing analytics on image data |
US11748999B2 (en) * | 2020-07-13 | 2023-09-05 | Beijing Jingdong Qianshi Technology Co., Ltd. | System and method for recognizing intersection by autonomous vehicles |
US11851080B2 (en) | 2021-02-03 | 2023-12-26 | Magna Mirrors Of America, Inc. | Vehicular driver monitoring system with posture detection and alert |
US11780372B2 (en) | 2021-03-01 | 2023-10-10 | Magna Mirrors Of America, Inc. | Vehicular driver monitoring system with driver monitoring camera and near IR light emitter at interior rearview mirror assembly |
US11639134B1 (en) * | 2021-03-01 | 2023-05-02 | Magna Mirrors Of America, Inc. | Interior rearview mirror assembly with driver monitoring system |
US20220309521A1 (en) * | 2021-03-24 | 2022-09-29 | Here Global B.V. | Computing a vehicle interest index |
US11687155B2 (en) * | 2021-05-13 | 2023-06-27 | Toyota Research Institute, Inc. | Method for vehicle eye tracking system |
US11766968B2 (en) | 2021-05-18 | 2023-09-26 | Magna Mirrors Of America, Inc. | Vehicular interior rearview mirror assembly with video mirror display and VRLC stack |
US11930264B2 (en) | 2021-05-18 | 2024-03-12 | Magna Electronics Inc. | Vehicular driver monitoring system with camera view optimization |
US20230018747A1 (en) * | 2021-07-15 | 2023-01-19 | Toyota Research Institute, Inc. | Determining a duration of time in which an individual observed a region |
GB2609913A (en) * | 2021-08-12 | 2023-02-22 | Continental Automotive Gmbh | Vehicle cabin sensing system |
US11827153B2 (en) | 2021-09-03 | 2023-11-28 | Magna Electronics Inc. | Vehicular interior cabin lighting system selectively operable for DMS and OMS functions |
US20230109171A1 (en) * | 2021-09-28 | 2023-04-06 | Honda Motor Co., Ltd. | Operator take-over prediction |
US20230110464A1 (en) * | 2021-10-08 | 2023-04-13 | Woven Alpha, Inc. | Vehicle occupant gaze detection system and method of using |
US11941747B2 (en) * | 2021-10-29 | 2024-03-26 | Adobe Inc. | Delivering a virtual environment with dynamic level of detail per object |
DE102022105592A1 (de) * | 2022-03-10 | 2023-09-14 | Claas Selbstfahrende Erntemaschinen Gmbh | Fahrerkabine für eine landwirtschaftliche Arbeitsmaschine |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4565445B2 (ja) | 2004-03-18 | 2010-10-20 | 国立大学法人 奈良先端科学技術大学院大学 | 顔情報計測システム |
JP2013143012A (ja) | 2012-01-11 | 2013-07-22 | Tokai Rika Co Ltd | 視線入力装置 |
US20140350942A1 (en) * | 2013-05-23 | 2014-11-27 | Delphi Technologies, Inc. | Vehicle human machine interface with gaze direction and voice recognition |
GB2525655B (en) * | 2014-05-01 | 2018-04-25 | Jaguar Land Rover Ltd | Dynamic lighting apparatus and method |
US10726576B2 (en) | 2016-06-29 | 2020-07-28 | Seeing Machines Limited | System and method for identifying a camera pose of a forward facing camera in a vehicle |
US10137893B2 (en) * | 2016-09-26 | 2018-11-27 | Keith J. Hanna | Combining driver alertness with advanced driver assistance systems (ADAS) |
US20180357040A1 (en) * | 2017-06-09 | 2018-12-13 | Mitsubishi Electric Automotive America, Inc. | In-vehicle infotainment with multi-modal interface |
US11042994B2 (en) * | 2017-11-15 | 2021-06-22 | Toyota Research Institute, Inc. | Systems and methods for gaze tracking from arbitrary viewpoints |
JP2021530069A (ja) * | 2018-06-26 | 2021-11-04 | カッツ,イテイ | 状況的ドライバ監視システム |
-
2019
- 2019-08-19 US US16/544,442 patent/US11144754B2/en active Active
- 2019-11-29 JP JP2019216587A patent/JP7403293B2/ja active Active
-
2020
- 2020-02-12 CN CN202010089073.8A patent/CN112389443A/zh active Pending
- 2020-07-30 DE DE102020120201.6A patent/DE102020120201A1/de active Pending
-
2021
- 2021-10-11 US US17/498,353 patent/US11803759B2/en active Active
-
2023
- 2023-10-30 US US18/497,501 patent/US20240062067A1/en active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034543A (zh) * | 2021-03-18 | 2021-06-25 | 德清阿尔法创新研究院 | 一种基于局部注意力机制的3D-ReID多目标追踪方法 |
CN113034543B (zh) * | 2021-03-18 | 2022-05-03 | 德清阿尔法创新研究院 | 一种基于局部注意力机制的3D-ReID多目标追踪方法 |
TWI759194B (zh) * | 2021-05-03 | 2022-03-21 | 廣達電腦股份有限公司 | 車用電子系統及其控制方法 |
CN113569785A (zh) * | 2021-08-04 | 2021-10-29 | 上海汽车集团股份有限公司 | 驾驶状态感知方法及装置 |
CN117035559A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
CN117035559B (zh) * | 2023-10-08 | 2024-01-23 | 国网江苏省电力有限公司电力科学研究院 | 一种电气设备多参量变送器模拟安装评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11144754B2 (en) | 2021-10-12 |
US20240062067A1 (en) | 2024-02-22 |
US20220026987A1 (en) | 2022-01-27 |
DE102020120201A1 (de) | 2021-02-25 |
JP2021033997A (ja) | 2021-03-01 |
JP7403293B2 (ja) | 2023-12-22 |
US11803759B2 (en) | 2023-10-31 |
US20210056306A1 (en) | 2021-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11803759B2 (en) | Gaze detection using one or more neural networks | |
EP3739523A1 (en) | Using decay parameters for inferencing with neural networks | |
US11833681B2 (en) | Robotic control system | |
US20240042601A1 (en) | Robotic control system | |
US11100643B2 (en) | Training strategy search using reinforcement learning | |
CN112749729B (zh) | 基于比较模型参数的精度训练机器学习模型的处理器和系统 | |
US20200380369A1 (en) | Training a neural network using selective weight updates | |
US20210142160A1 (en) | Processor and system to identify out-of-distribution input data in neural networks | |
US20210150757A1 (en) | Training and inferencing using a neural network to predict orientations of objects in images | |
CN114845842A (zh) | 触觉抓取策略的强化学习 | |
US20220398456A1 (en) | Identification of multi-scale features using a neural network | |
CN114600127A (zh) | 一种用于神经网络的基于机器学习的架构搜索方法 | |
CN114365154A (zh) | 在神经网络中执行矩阵运算 | |
CN114902292A (zh) | 利用机器学习从图像确定对象取向 | |
US20210133583A1 (en) | Distributed weight update for backpropagation of a neural network | |
US20210192287A1 (en) | Master transform architecture for deep learning | |
CN114556372A (zh) | 用于在机器学习中转换张量运算的处理器和系统 | |
US20210133990A1 (en) | Image aligning neural network | |
CN112749618A (zh) | 使用一个或更多个神经网络确定注视 | |
US20210183088A1 (en) | Depth estimation using a neural network | |
CN114764611A (zh) | 并行执行非极大值抑制 | |
CN115039094A (zh) | 用于矩阵乘法和归约操作的自动融合的处理器和系统 | |
CN114519415A (zh) | 计算数据压缩参数 | |
CN114730323A (zh) | 利用光线追踪的空间搜索 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |