CN115071757A - 一种存算一体芯片、控制方法 - Google Patents
一种存算一体芯片、控制方法 Download PDFInfo
- Publication number
- CN115071757A CN115071757A CN202210708777.8A CN202210708777A CN115071757A CN 115071757 A CN115071757 A CN 115071757A CN 202210708777 A CN202210708777 A CN 202210708777A CN 115071757 A CN115071757 A CN 115071757A
- Authority
- CN
- China
- Prior art keywords
- neural network
- environments
- similarity
- data
- vehicle
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- 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
-
- 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
- B60W40/02—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 ambient conditions
-
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
-
- 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
-
- 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
-
- 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
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Control Of Transmission Device (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种存算一体芯片和控制方法,所述方法:获取车辆周围的环境数据;在满足预设的安全等级时,第一神经网络单元根据输入的环境数据输出与多个环境的相似度;根据多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,所述输入层的多个神经元节点,所述输出层的多个神经元节点以及闭合的传输通道,第二神经网络根据所述多个环境的相似度输出控制指令。本申请提供了一种存算一体芯片,控制方法,解决上述自动驾驶车辆控制不能根据实际多变环境进行灵活调节,也不能满足不同客户的控制时效性和舒适性的要求的技术问题。
Description
技术领域
本申请涉及半导体集成电路领域,尤其涉及一种存算一体芯片、控制方法。
背景技术
近年来,为了解决传统冯诺依曼计算体系结构瓶颈,存内计算芯片结构得到人们的广泛关注,其基本思想是直接利用存储器进行逻辑计算,从而减少存储器与处理器之间的数据传输量以及传输距离,降低功耗的同时提高性能。
现有自动驾驶的存算一体芯片结构一经定制,其电路结构即被固定下来,不能根据实际多变环境进行灵活调节,也不能满足不同客户的控制时效性和舒适性的要求。
发明内容
本申请提供了一种存算一体芯片、控制方法,解决上述自动驾驶车辆控制不能根据实际多变环境进行灵活调节,也不能满足不同客户的控制时效性和舒适性的要求的技术问题。
第一方面,本申请提供了一种存算一体芯片,应用于自动驾驶车辆,所述存算一体芯片包括:获取单元,获取车辆周围的环境数据;第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;第二神经网络单元,所述第二神经网络单元包括输入层,多个隐藏层,输出层,所述输入层,输出层以及所述隐藏层分布包括多个神经元节点,所述输入层的多个神经元节点、所述隐藏层的多个神经元节点以及所述输出层的多个神经元节点依次通过传输通道连接,所述传输通道通过控制开关控制通断;根据多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,所述输入层的多个神经元节点,所述输出层的多个神经元节点以及闭合的传输通道,第二神经网络根据所述多个环境的相似度输出控制指令。
优选地,在训练第二神经网络时,包括:将多个环境的相似度作为输入数据集,将控制时间作为输出数据集,以控制时间和舒适性为评价函数,通过遗传算法寻找第二神经网络的网络结构,所述评价函数设置为:p=w1A- w2B,其中:w1,w2为权重,A为舒适性,B为控制时长。
优选地,所述第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;包括:
所述第一神经网络单元具有第二神经网络同样的网络结构;
根据预设条件来获取第一神经网络的网络结构,第一神经网络根据环境数据输出所述多个环境的相似度。
优选地,所述第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;包括:判定单元,判定车辆与周围障碍的碰撞风险,根据不同的碰撞风险判定车辆所处的安全等级;紧急处理单元,在安全等级小于预设等级时,直接控制车辆进行紧急避险。
优选地,所述存算一体芯片包括:所述传输通道的数量大于存算一体芯片的通道的数量时,
两个传输通道的数据进行拼接,得到拼接后的待处理数据;运算单元,可通过一个处理批次完成对拼接后的待处理数据的处理。
本发明提供一种控制方法,应用于自动驾驶车辆,获取车辆周围的环境数据;在满足预设的安全等级时,第一神经网络单元根据输入的环境数据输出与多个环境的相似度;根据多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,所述输入层的多个神经元节点,所述输出层的多个神经元节点以及闭合的传输通道,第二神经网络根据所述多个环境的相似度输出控制指令。
优选地,所述在满足预设的安全等级时,第一神经网络单元根据输入的环境数据输出与多个环境的相似度;包括:
判定车辆与周围障碍的碰撞风险,根据不同的碰撞风险判定车辆所处的安全等级;
在安全等级小于预设等级时,直接控制车辆进行紧急避险。
优选地,所述传输通道的数量大于存算一体芯片的通道的数量时,
两个传输通道的数据进行拼接,得到拼接后的待处理数据;运算单元,可通过一个处理批次完成对拼接后的待处理数据的处理。
本发明通过将多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,以及闭合的传输通道,第二神经网络根据输入的环境相识度输出控制指令,可以根据不同的环境来变换不同的第二神经网络结构,从而可以达到最佳控制的方式,缩短的控制的时间,也提高了控制的精度,提高了环境的适应能力,另外,通过第一神经网络和第二神经网络的配合,可以进一步提高控制的传输速度,进一步缩短了自动驾驶的控制的时间,另外,将自动驾驶中的环境识别和决策模块集成到一个芯片,即第一神经网络和第二神经网络一个芯片,可以提高芯片的可靠性,可以进一步降低损坏风险,即提高了自动驾驶车辆的可靠性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明存算一体芯片的结构图;
图2为本发明存算一体芯片的另外一个结构图;
图3为本发明控制方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
第一方面,本发明公开了一种存算一体芯片,应用于自动驾驶车辆,如图1-2所示,存算一体芯片包括:获取单元,获取车辆周围的环境数据;第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;
第二神经网络单元,所述第二神经网络单元包括输入层,多个隐藏层,输出层,所述输入层,输出层以及所述隐藏层分布包括多个神经元节点,所述输入层的多个神经元节点、所述隐藏层的多个神经元节点以及所述输出层的多个神经元节点依次通过传输通道连接,所述传输通道通过控制开关控制通断;
参考图1,比如说,在本实施例中,将隐藏层的网络层级设置为n层,隐藏层的神经元节点设置为n个,输出层的神经元节点设置为n个,输出层的神经元节点设置为n个,通过传输通道将上述的神经元节点进行连接,从而形成一个n层的神经网络,第二神经网络的具体结构可以通过训练获得,只需要控制精度和控制时间满足预设条件即可。
根据多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,所述输入层的多个神经元节点,所述输出层的多个神经元节点以及闭合的传输通道,第二神经网络根据所述多个环境的相似度输出控制指令。
参考图2,比如说,在本实施例中,将隐藏层的网络层级设置为1层,隐藏层的神经元节点设置为5个,输出层的神经元节点设置为2个,输出层的神经元节点设置为3个,通过传输通道将上述的神经元节点进行连接,从而形成一个3层的神经网络。
本发明通过将多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,以及闭合的传输通道,第二神经网络根据输入的环境相识度输出控制指令,可以根据不同的环境来变换不同的第二神经网络结构,从而可以达到最佳控制的方式,缩短的控制的时间,也提高了控制的精度,提高了环境的适应能力,另外,通过第一神经网络和第二神经网络的配合,可以进一步提高控制的传输速度,进一步缩短了自动驾驶的控制的时间,另外,将自动驾驶中的环境识别和决策模块集成到一个芯片,即第一神经网络和第二神经网络一个芯片,可以提高芯片的可靠性,可以进一步降低损坏风险,即提高了自动驾驶车辆的可靠性。
优选地,在训练第二神经网络时,包括:将多个环境的相似度作为输入数据集,将控制时间作为输出数据集,以控制时间和舒适性为评价函数,通过遗传算法寻找第二神经网络的网络结构,所述评价函数设置为:p=w1A- w2B,其中:w1,w2为权重,A为舒适性,B为控制时长。
在本领域中,通过遗传算法寻优的方式来寻找不同的第二神经网络的结构,可以有利于提高训练的时效性。而自动驾驶过程中,根据不同的多个环境的相似度,可以确定自动驾驶车辆此时处于的驾驶场景,在不同的驾驶场景下,需要不同的控制时间和舒适性,比如:此时自动驾驶车辆处于事故多发点,需要自动驾驶车辆的控制时间要足够短以规避风险,而在周围车辆较少,道路较为平整的环境下,控制时间就最需要考虑的因素,从而在不同的安全等级情况下,希望控制时间最短,舒适性最好,不同的第二神经网络结构可以满足条件,而单一的神经网络结构并不能更好地发挥灵活处理的优势。
优选地,所述第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;包括:
所述第一神经网络单元具有第二神经网络同样的网络结构;
根据预设条件来获取第一神经网络的网络结构,第一神经网络根据环境数据输出所述多个环境的相似度。
在本领域中,第一神经网络的输入层,输出层,隐藏层,同样采用变换额方式进行,在此不再赘述,而在环境数据的处理过程中,不同的神经网络结构的处理速度显然是不一致的,因此,预设条件可以是认为设定的,需要环境识别的精度满足预设要求的神经网络结构,也可以是功耗较小的情况下的神经网络结构,其具体的要求可以根据实际情况进行选择。通过将第一神经网络结构设置为变神经网络结构,可以进一步缩短自动驾驶车辆的控制时间,同时还可以提高环境识别的精度。
优选地,所述第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;包括:
判定单元,判定车辆与周围障碍的碰撞风险,根据不同的碰撞风险判定车辆所处的安全等级;
紧急处理单元,在安全等级小于预设等级时,直接控制车辆进行紧急避险。
优选地,存算一体芯片包括:所述传输通道的数量大于存算一体芯片的通道的数量时,
两个传输通道的数据进行拼接,得到拼接后的待处理数据;运算单元,可通过一个处理批次完成对拼接后的待处理数据的处理。
理论上,芯片加工的通道数量可以与第二神经网络传输通道的数量一致的,但是由于考虑加工成本,芯片的数量一般限定在一定的范围,而在芯片的传输通道要小于输入层与隐藏层,隐藏层与输出层的传输通道的数量,则需要对数据进行处理,例如:第二神经网络训练的过程中,需要输入层与隐藏层,隐藏层与输出层的传输通道的数量可能设置为4,但是存算一体芯片加工过程中,可能的传输通道是3,这些将数据进行处理,以防止数据堆积,同时尽量提高控制的时间,
例如,输入层与隐藏层,隐藏层与输出层的传输通道的待处理数据包含 4个通道的数据,4个通道的数据分别为:第一通道数据、第二通道数据、第三通道数据、第四通道数据。芯片的输入通道数为3。通过对第一通道数据和第二通道数据进行拼接,得到第五通道数据。将第三通道数据、第四通道数据和第五通道数据,作为拼接后的待处理数据。这样,拼接后的待处理数据的通道数量为3。芯片可通过一个处理批次完成对拼接后的第一待处理数据的处理,即完成对第一待处理数据的处理。
本发明包括一种控制方法,应用于自动驾驶车辆,如图3所示:
步骤S1,获取车辆周围的环境数据;
步骤S2,在满足预设的安全等级时,第一神经网络单元根据输入的环境数据输出与多个环境的相似度;
步骤S3,根据多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,所述输入层的多个神经元节点,所述输出层的多个神经元节点以及闭合的传输通道,第二神经网络根据所述多个环境的相似度输出控制指令。
本发明通过将多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,以及闭合的传输通道,第二神经网络根据输入的环境相识度输出控制指令,可以根据不同的环境来变换不同的第二神经网络结构,从而可以达到最佳控制的方式,缩短的控制的时间,也提高了控制的精度,提高了环境的适应能力,另外,通过第一神经网络和第二神经网络的配合,可以进一步提高控制的传输速度,进一步缩短了自动驾驶的控制的时间,另外,将自动驾驶中的环境识别和决策模块集成到一个芯片,即第一神经网络和第二神经网络一个芯片,可以提高芯片的可靠性,可以进一步降低损坏风险,即提高了自动驾驶车辆的可靠性。
优选地,步骤S2,在满足预设的安全等级时,第一神经网络单元根据输入的环境数据输出与多个环境的相似度;包括:
判定车辆与周围障碍的碰撞风险,根据不同的碰撞风险判定车辆所处的安全等级;在安全等级小于预设等级时,直接控制车辆进行紧急避险。
优选地,传输通道的数量大于存算一体芯片的通道的数量时,两个传输通道的数据进行拼接,得到拼接后的待处理数据;运算单元,可通过一个处理批次完成对拼接后的待处理数据的处理。
理论上,芯片加工的通道数量可以与第二神经网络传输通道的数量一致的,但是由于考虑加工成本,芯片的数量一般限定在一定的范围,而在芯片的传输通道要小于输入层与隐藏层,隐藏层与输出层的传输通道的数量,则需要对数据进行处理,例如:第二神经网络训练的过程中,需要输入层与隐藏层,隐藏层与输出层的传输通道的数量可能设置为4,但是存算一体芯片加工过程中,可能的传输通道是3,这些将数据进行处理,以防止数据堆积,同时尽量提高控制的时间,
例如,输入层与隐藏层,隐藏层与输出层的传输通道的待处理数据包含 4个通道的数据,4个通道的数据分别为:第一通道数据、第二通道数据、第三通道数据、第四通道数据。芯片的输入通道数为3。通过对第一通道数据和第二通道数据进行拼接,得到第五通道数据。将第三通道数据、第四通道数据和第五通道数据,作为拼接后的待处理数据。这样,拼接后的待处理数据的通道数量为3。芯片可通过一个处理批次完成对拼接后的第一待处理数据的处理,即完成对第一待处理数据的处理。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种存算一体芯片,应用于自动驾驶车辆,其特征在于,所述存算一体芯片包括:
获取单元,获取车辆周围的环境数据;
第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;
第二神经网络单元,所述第二神经网络单元包括输入层,多个隐藏层,输出层,所述输入层,输出层以及所述隐藏层分布包括多个神经元节点,所述输入层的多个神经元节点、所述隐藏层的多个神经元节点以及所述输出层的多个神经元节点依次通过传输通道连接,所述传输通道通过控制开关控制通断;
根据多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,所述输入层的多个神经元节点,所述输出层的多个神经元节点以及闭合的传输通道,第二神经网络根据所述多个环境的相似度输出控制指令。
2.根据权利要求1所述的存算一体芯片,其特征在于,在训练第二神经网络时,包括:将多个环境的相似度作为输入数据集,将控制时间作为输出数据集,以控制时间和舒适性为评价函数,通过遗传算法寻找第二神经网络的网络结构,所述评价函数设置为:p=w1A-w2B,其中:w1,w2为权重,A为舒适性,B为控制时长。
3.根据权利要求1或2所述的存算一体芯片,其特征在于,所述第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;包括:
所述第一神经网络单元具有第二神经网络同样的网络结构;
根据预设条件来获取第一神经网络的网络结构,第一神经网络根据环境数据输出所述多个环境的相似度。
4.根据权利要求3所述的存算一体芯片,其特征在于,包括:所述第一神经网络单元,在满足预设的安全等级时,根据输入的环境数据输出与多个环境的相似度;包括:
判定单元,判定车辆与周围障碍的碰撞风险,根据不同的碰撞风险判定车辆所处的安全等级;
紧急处理单元,在安全等级小于预设等级时,直接控制车辆进行紧急避险。
5.根据权利要求1所述的存算一体芯片,其特征在于,所述存算一体芯片包括:所述传输通道的数量大于存算一体芯片的通道的数量时,
两个传输通道的数据进行拼接,得到拼接后的待处理数据;运算单元,可通过一个处理批次完成对拼接后的待处理数据的处理。
6.一种控制方法,应用于自动驾驶车辆,其特征在于,
获取车辆周围的环境数据;
在满足预设的安全等级时,第一神经网络单元根据输入的环境数据输出与多个环境的相似度;
根据多个环境的相似度获取所述隐藏层的网络层级和所述隐藏层的神经元节点,所述输入层的多个神经元节点,所述输出层的多个神经元节点以及闭合的传输通道,第二神经网络根据所述多个环境的相似度输出控制指令。
7.根据权利要求6所述的控制方法,其特征在于,包括:所述在满足预设的安全等级时,第一神经网络单元根据输入的环境数据输出与多个环境的相似度;包括:
判定车辆与周围障碍的碰撞风险,根据不同的碰撞风险判定车辆所处的安全等级;
在安全等级小于预设等级时,直接控制车辆进行紧急避险。
8.根据权利要求6所述的控制方法,其特征在于,包括:所述传输通道的数量大于存算一体芯片的通道的数量时,
两个传输通道的数据进行拼接,得到拼接后的待处理数据;运算单元,可通过一个处理批次完成对拼接后的待处理数据的处理。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708777.8A CN115071757A (zh) | 2022-06-22 | 2022-06-22 | 一种存算一体芯片、控制方法 |
PCT/CN2022/109925 WO2023245823A1 (zh) | 2022-06-22 | 2022-08-03 | 一种存算一体芯片和控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708777.8A CN115071757A (zh) | 2022-06-22 | 2022-06-22 | 一种存算一体芯片、控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115071757A true CN115071757A (zh) | 2022-09-20 |
Family
ID=83253726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708777.8A Pending CN115071757A (zh) | 2022-06-22 | 2022-06-22 | 一种存算一体芯片、控制方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115071757A (zh) |
WO (1) | WO2023245823A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2601003B2 (ja) * | 1990-09-25 | 1997-04-16 | 日産自動車株式会社 | 車両の走行条件認識装置 |
CN111611197B (zh) * | 2019-02-26 | 2021-10-08 | 北京知存科技有限公司 | 可软件定义的存算一体芯片的运算控制方法和装置 |
CN111923919B (zh) * | 2019-05-13 | 2021-11-23 | 广州汽车集团股份有限公司 | 车辆控制方法、装置、计算机设备和存储介质 |
CN111081067B (zh) * | 2019-12-27 | 2021-07-20 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 |
CN114274980A (zh) * | 2022-01-27 | 2022-04-05 | 中国第一汽车股份有限公司 | 轨迹控制方法、装置、车辆及存储介质 |
-
2022
- 2022-06-22 CN CN202210708777.8A patent/CN115071757A/zh active Pending
- 2022-08-03 WO PCT/CN2022/109925 patent/WO2023245823A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023245823A1 (zh) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110316193B (zh) | 预瞄距离的设置方法、装置、设备及计算机可读存储介质 | |
CN110929431B (zh) | 一种车辆行驶决策模型的训练方法及装置 | |
US20060271269A1 (en) | Method and system for determining the driving situation | |
CN112348293A (zh) | 一种障碍物的轨迹预测方法及装置 | |
CN112529254A (zh) | 一种路径规划方法、装置和电子设备 | |
CN113173170B (zh) | 基于人员画像个性化算法 | |
CN112406905B (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN109655076B (zh) | 车辆转弯的速度规划方法、装置和存储介质 | |
EP4082724A1 (en) | Mobile device avoidance method and apparatus, and computer readable storage medium | |
CN111007858A (zh) | 车辆行驶决策模型的训练方法、行驶决策确定方法及装置 | |
CN109255181A (zh) | 一种基于多模型的障碍物分布仿真方法、装置以及终端 | |
CN111338360A (zh) | 一种规划车辆行驶状态的方法及装置 | |
CN111532285B (zh) | 一种车辆控制方法及装置 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN115071757A (zh) | 一种存算一体芯片、控制方法 | |
CN116414542B (zh) | 任务调度方法、装置、设备及存储介质 | |
Wang et al. | Object detection algorithm based on improved Yolov3-tiny network in traffic scenes | |
CN113139696A (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN112987754B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
CN111046981B (zh) | 一种无人车控制模型的训练方法及装置 | |
CN114721290A (zh) | 一种仿真测试场景生成方法、装置、存储介质及电子设备 | |
CN110503594B (zh) | 视频跟踪装置、方法、系统和视频跟踪设备 | |
CN114154510A (zh) | 自动驾驶车辆的控制方法、装置、电子设备及存储介质 |
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 |