这一整套工作不仅仅面向地平线的芯片 ， 其他的芯片也一样 ， 只是模型部署有所不同 ， 但面向软件2.0的方法论都是一样的 。 开发者围绕关键场景的问题挖掘 ， 模型迭代全流程的自动化 ， 可以大幅改善算法的研发效率 ， 而且可以开放的对接到各类的终端上面 。 通过这种方式 ， 大大提升了算法研发人员的研发效率 。

文章图片

上图是根据算法人员研发效率做的初步分析和建模 ， 得到了一些效率提升的数字来供大家做参考 。 比如数据挖掘 ， 包括一些长尾数据管理和影子模式 ， 在端上的影子模式像小朋友做考试题一样 ， 一个小朋友做100道题 ， 可能只错一道 ， 但剩下的99道都没有什么用 ， 关键的这一道题要放在我们的错题本上 ， 持续的去温习、迭代 。 所以影子模式和长尾数据管理 ， 都是AI模型非常宝贵的错题本 。 通过这种方式 ， 数据上传和存储相关的效率会有很大的提升 。
接下来是数据标注 ， 原来是对所有的图片做标注 。 但在车辆实际运行过程中 ， 它是一个时间和空间连续的状态 ， 在连续的状态里 ， 比如在两个不同的车道上 ， 超一辆速度稍微低一些的车时 ， 可能接下来的10秒内 ， 车都在我的视野中 ， 之后从视野里一点一点的消失 。 在这10秒范围内 ， 如果按照1秒钟30帧去捕捉图片并标注 ， 这会非常费时、费力 。 其实只需标注好一张图片 ， 并利用时间和空间的连续性 ， 可以实现自动化标注 ， 甚至可以用自主学习方式训练一个大模型来做标注 ， 标注完之后只需稍微校准下 ， 就可以获得非常大标注效率的提升 。
地平线艾迪平台上背后有一套与车上面的芯片和板子完全一致的设备集群 ， 这套设备集群可以让每一个板子像车一样运行 ， 只不过它在机房里 ， 并且输入不是大街上采集的图片 ， 而是一些回灌的视频图片 ， 在上面我们做很多的探索 ， 像AI模型的探索、编译架构的探索 ， 也可以做很多应用代码的修改和回归调试 ， 这大大地降低了整个设备、代码和软件算法测试的成本 。
除此之外 ， 还有 Badcase管理系统 ，Badcase不仅仅是图片 ， 还可能是某些输入 ， 或是软件1.0、软件2.0在面向自动驾驶上的一些小case 。
通过这些case的管理 ， 能够更好的让算法开发者直接找到错题本 ， 看怎么做来解决问题 ， 大大提升的研发效率 。 经过这一整套研发效率的提升 ， 可以更好的服务芯片上的产品开发 。
接下来再讲下工具链和应用开发 。 如果大家有在英伟达平台上的开发经验 ， 流程大概如下：先进行浮点模型训练 ， 然后量化 ， 看精度是否达标 ， 如果不达标再做迭代 ， 接下来模型编译放在平台上运行 。 地平线也很尊重开发者的开发习惯来做工具链和应用开发 。

文章图片

地平线天工开物已经服务了100多家客户 ， 这100多家客户中的开发者 ， 用这些工具、读这些文档、看这些例子 ， 然后在基础上 ， 把他们的想法、创造性发挥出来 ， 遇到问题时去分析调试 。
我们把他们看到的问题、想法 ， 在发挥创造性上面遇到的阻碍 ， 反过来帮助我们改进和提升天工开物工具链 ， 这套千锤百炼的工具链就可以更好的提升效率 。 除此之外 ， 因为是面向车 ， 所以地平线也遵循着完整的ISO26262流程去做开发 。 在今年预计会完成整个功能安全的认证 ， 让整套工具链交付给客户和开发者时 ， 让他们更放心、更安全 。