引言

實際上，“人工智能（AI）”并沒有明確的科學定義，但是一種普遍的理解是將AI 被人類觀察到的學習系統作為“智能”。很難更加明確的描述其定義，因為“智能”一詞已經缺乏明確的合理性。

在汽車領域，在當今和未來具有代表性且廣為人知的AI相關功能應用在自動駕駛（AD）領域。這包含了物體感知、物體識別以及對結果反應的決策。這些應用通常需要很高的計算能力（100k DMIPS級別范圍內）。

圖 1 說明更高級別的感知將如何隨著時間的推移從人類駕駛員轉向使用人工智能（AI）和機器學習（ML）的自動駕駛技術。（來源：NSITEXE， Inc.，2021）

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

然而，事實恰恰相反！

尤其是“車輛運動”類別的實時執行器控制應用受到各種新要求（例如 歐7 法規）的挑戰，這些要求導致算法復雜性增加并產生對更高性能水平和更大通信帶寬的需求。 所有這一切都將在沒有提到成本增加的前提下成為可能，這在汽車控制應用中非常典型。

那么，如何在傳統的成本平衡MCU系統上實現人工智能和機器學習功能更高的性能要求呢？ 答案在于特定的硬件加速器，它們可以作為協同處理器嵌入在 MCU 硅基中實現。

帶有嵌入式硬件加速器的 RH850/U2B 微控制器

瑞薩電子用于其下一代 28nm 微控制器 RH850/U2B FCC 的硬件加速器概念是：“DFP” 數據流處理器 IP （Data flow processor），又名“DR1000C”，已獲得日本 NSITEXE， Inc. 的許可。 NSITEXE 是一家 IP 供應商，成立于 2017 年，是從 DENSO 公司獨立出來，專門從事高級處理器的開發。

RH850/U2B FCC 微控制器針對車輛運動和區域控制的應用領域，通過虛擬化支持和服務質量 （QoS） 實現 400 MHz x 8的性能，解決了將多個應用程序集成到一個設備中同時不受干擾（FFI： freedom from interference）的挑戰以滿足 ISO26262 ASIL-D 標準。

圖 2：DFP - 概念視圖

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

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

圖 3：DR1000C 架構

DR1000C 性能

與傳統汽車 CPU（即Harvard架構）相比，DR1000C IP 的特定并行 MIMD 架構帶來了數量級的性能優勢。 特定的數學函數，如高斯過程（徑向基函數）、卡爾曼濾波器或 BLAS 在與 DR1000C 一起執行時非常受益。

圖 4：DR1000C 性能水平

實例

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

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

圖 5：虛擬建模

模型預測控制 （MPC） 是一種控制功率轉換器或電動機驅動器的方法學。 它通過動態預測和優化系統參數，并結合系統約束，提供處理多種控制任務的能力。 特別是非線性 MPC 模型可能會以訓練數據集（基于人工神經網絡）的形式反映出來。

圖 6：模型預測控制（來源：NSITEXE， Inc.，2021）

網關入侵檢測系統（IDS）

IDS 系統通常應該通過將“正常”活動與入侵者的行為進行比較來識別網絡攻擊。 今天，大多數基于規則的系統用于識別已知的攻擊類型，然而，如果攻擊使用不同的或迄今為止未知的方法，則不太成功。

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

圖 7：入侵檢測系統概念

DR1000C工具環境

應用程序開發可以通過 C 編碼實現，其中用戶應用程序用 C 語言編寫，結合內部函數調用 DR1000C 服務。 或者，可以使用 MATLAB/Simulink 的“DFP 工具箱”進行基于模型的開發。 一個“SDK”將包括一個運行時線程調度器 （RTS）、一個基于 GNU 的工具鏈、模擬器和調試器。 另外可選擇地，在支持 ASIL-D 的診斷庫以及 ISO26262 工具認證方面的功能安全正在開發中。

結論

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

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

審核編輯：郭婷