圖片來源：特斯拉

BEV+Transformer是目前智能駕駛領(lǐng)域最火熱的話題，沒有之一，這也是無人駕駛低迷期唯一的亮點(diǎn)，BEV+Transformer徹底終結(jié)了2D直視圖+CNN時(shí)代，BEV+Transformer對(duì)智能駕駛硬件系統(tǒng)有著什么樣的影響？背后的受益者又是誰？

先說結(jié)論。首先受益者是視覺系統(tǒng)廠家，車輛至少要增加4-6個(gè)攝像頭，不過目前新興造車企業(yè)都已經(jīng)準(zhǔn)備好了這些硬件基礎(chǔ)，此外需要6-8個(gè)加串行芯片，2-3個(gè)解串行芯片，加串行與解串行的市場(chǎng)基本被德州儀器和ADI旗下的美信壟斷，美信獨(dú)占了中高端市場(chǎng)，這些芯片價(jià)格隨著像素的上升也大幅度增加，數(shù)量也增加了，最終成本幾乎與主SoC一樣價(jià)格，讓ADI業(yè)績(jī)大漲。

其次是英偉達(dá)這樣的強(qiáng)大數(shù)據(jù)訓(xùn)練系統(tǒng)廠家，Transformer就是暴力美學(xué)，參數(shù)量動(dòng)輒十億百億千億，萬億也不罕見，層數(shù)動(dòng)輒上千層，根本不是老舊數(shù)據(jù)訓(xùn)練中心能支撐的，需要大量購(gòu)買英偉達(dá)或AMD的上萬美元級(jí)的訓(xùn)練芯片。以前做訓(xùn)練的RTX3090，現(xiàn)在只能做推理用了。毫無疑問這讓研發(fā)成本暴增。

再次是存儲(chǔ)系統(tǒng)，Transformer模型體積驚人，動(dòng)輒GB起，這需要芯片上的L2緩存大增，實(shí)際就是消耗大量的SRAM，對(duì)數(shù)據(jù)訓(xùn)練中心和嵌入式系統(tǒng)來說就是芯片價(jià)格暴漲，如果用不起昂貴的SRAM，數(shù)據(jù)中心這一級(jí)也要用HBM。對(duì)推理的嵌入式系統(tǒng)來說，HBM的價(jià)格太高，消費(fèi)級(jí)的汽車市場(chǎng)是無法接受的，只能退一步選擇LPDDR5或GDDR5/6，容量要大幅度增加，至少32GB起，成本自然也大幅增加。

最后是數(shù)據(jù)搜集和標(biāo)注，Transformer需要海量訓(xùn)練數(shù)據(jù)，越多越好，意味著智能駕駛廠家需要更多的數(shù)據(jù)采集車，數(shù)據(jù)采集設(shè)備，更多的數(shù)據(jù)處理人員，研發(fā)成本暴增。2D直視圖+CNN時(shí)代廠家累積起來的研發(fā)成果化為烏有，很多事情都要從頭做起，意味著以前的研發(fā)成果貶值嚴(yán)重。最終這一切都轉(zhuǎn)換為消費(fèi)者頭上的成本，成本至少增加300%。

激光雷達(dá)和傳統(tǒng)AI芯片也將受到影響。首先是激光雷達(dá)，BEV+Transformer讓純視覺更加強(qiáng)大，接近以前激光雷達(dá)制造BEV的效果，廠家都一窩蜂地?fù)肀EV+Transformer，冷落激光雷達(dá)。其次是推理用的AI芯片，之前的AI芯片大多是針對(duì)CNN的，對(duì)Transformer的適應(yīng)性會(huì)比較差，畢竟Transformer是源自自然語(yǔ)言處理（NLP）的，數(shù)據(jù)的串行性很顯著，并行性不佳，這需要AI芯片做出對(duì)應(yīng)的改變，并且是硬件上的改變，這可能意味著推倒重來，或者用更強(qiáng)的Host來對(duì)數(shù)據(jù)整形，也就是標(biāo)量運(yùn)算即CPU要加強(qiáng)，Cortex-A55恐怕是無法勝任的。

再有原本智能駕駛AI專用芯片都特別針對(duì)INT8精度，但Transformer簡(jiǎn)單量化為8位后性能顯著下降，這主要是由于普通的激活函數(shù)量化策略無法覆蓋全部的取值區(qū)間。參數(shù)越多，量化后的效果就越差。引入BF16非常有必要，而以前設(shè)計(jì)的AI芯片大多沒考慮BF16。

我們來簡(jiǎn)單了解一下BEV+Transformer，基于多視角攝像頭的3D目標(biāo)檢測(cè)在鳥瞰圖下的感知（Bird's-eye-viewPerception, BEV Perception）吸引了越來越多的關(guān)注。一方面，將不同視角在BEV下統(tǒng)一表征是很自然的描述，方便后續(xù)規(guī)劃控制模塊任務(wù)；另一方面，BEV下的物體沒有圖像視角下的尺度（scale）和遮擋（occlusion）問題。

目前BEV+Transformer算法對(duì)比都是基于nuScenes數(shù)據(jù)集的，因?yàn)槠溆?xùn)練數(shù)據(jù)最多，在小尺寸的Kitti上，Transformer表現(xiàn)不如CNN。

nuScenes與其他數(shù)據(jù)集的對(duì)比

圖片來源：《nuScenes: A multimodal dataset for autonomous driving》

nuScenes是唯一有毫米波雷達(dá)的數(shù)據(jù)集。論文名稱《nuScenes:A multimodal dataset for autonomous driving》，這是智能駕駛領(lǐng)域最具影響力的數(shù)據(jù)集，完成于2019年3月，2020年7月推出nuScenes-lidarseg，nuTonomy提出的激光雷達(dá)點(diǎn)柱算法也是目前最常用的激光雷達(dá)算法。nuScenes-lidarseg則是激光雷達(dá)最完備的測(cè)試數(shù)據(jù)集，包含850個(gè)訓(xùn)練場(chǎng)景，150個(gè)測(cè)試場(chǎng)景，驚人的14億標(biāo)注點(diǎn)，4萬點(diǎn)云幀，32級(jí)分類。nuScenes目前由安波福與現(xiàn)代汽車的合資公司Motional維護(hù)。

BEV+Transformer基本概念

圖片來源：《BEVFormer: Learning Bird’s-Eye-View Representation from Multi-Camera Images via SpatiotemporalTransformers》

CNN時(shí)代，完全拋棄了時(shí)間序列，智能駕駛檢測(cè)的是圖片而非視頻，因此在靜止目標(biāo)識(shí)別方面要差很多，也很難定位目標(biāo)的具體位置，因?yàn)橐苿?dòng)目標(biāo)位置是變換的，需要加入時(shí)間序列變量。光流加入了時(shí)間序列變量，但是單目光流法效果很差，因?yàn)楣饬鞫际腔诹Ⅲw雙目或激光雷達(dá)發(fā)展而來的，特別是立體雙目，做光流尤其合適，奔馳是這方面的頂尖高手，開發(fā)了所謂6D視覺，其中光流就是另外3D的構(gòu)成，不僅能檢測(cè)目標(biāo)的速度，還能推斷目標(biāo)的時(shí)間序列位置。

Transformer與CNN最大不同就是加入了時(shí)序信息，而BEV是一個(gè)空間概念，BEV+Transformer就是時(shí)空融合，時(shí)序信息對(duì)于自動(dòng)駕駛感知任務(wù)十分重要，但現(xiàn)階段基于視覺的3D目標(biāo)檢測(cè)方法并沒有很好地利用上這一非常重要的信息。時(shí)序信息一方面可以作為空間信息的補(bǔ)充，來更好地檢測(cè)當(dāng)前時(shí)刻被遮擋的物體或者為定位物體的位置提供更多參考信息。另一方面就是對(duì)靜止目標(biāo)的處理更加快速高效。

對(duì)于每一個(gè)位于（x，y）位置的BEV特征，我們可以計(jì)算其對(duì)應(yīng)現(xiàn)實(shí)世界的坐標(biāo) x'，y'。然后我們將BEV query進(jìn)行l(wèi)ift操作，獲取在z軸上的多個(gè)3D points。有了3D points，就能夠通過相機(jī)內(nèi)外參獲取3Dpoints在view平面上的投影點(diǎn)。受到相機(jī)參數(shù)的限制，每個(gè)BEV query一般只會(huì)在1-2個(gè)view上有有效的投影點(diǎn)。

基于Deformable Attention，我們以這些投影點(diǎn)作為參考點(diǎn)，在周圍進(jìn)行特征采樣，BEV query使用加權(quán)的采樣特征進(jìn)行更新，從而完成了spatial空間的特征聚合。將BEV特征視為類似能夠傳遞序列信息的memory。每一時(shí)刻生成的BEV特征都從上一時(shí)刻的BEV特征獲取了所需的時(shí)序信息，這樣保證能夠動(dòng)態(tài)獲取所需的時(shí)序特征，而非像堆疊不同時(shí)刻BEV特征那樣只能獲取定長(zhǎng)的時(shí)序信息。

Transformer會(huì)瘋狂消耗內(nèi)存，內(nèi)存容量與輸入序列長(zhǎng)度的平方成正比，與批大小成線性比例。一個(gè)vocab Embedding 的shape是(50304, 5120)。而對(duì)于每個(gè)parameter來說，其需要存儲(chǔ)：來自于FP32的weight以及Adam的（Embedding也是Adam更新），來自于前向時(shí)FP16的weight。注意，此處沒有g(shù)rad的計(jì)算，因?yàn)镋mbedding layer的grad通常占用的很小，不像MatMul一樣。最終結(jié)果是3.6GB，每一層Transformer Encoder Model States消耗約6GB，Activation的batch_size每增加1消耗約1GB，Vocab Embedding Layer模型權(quán)重約消耗3.6GB。這是理論值，實(shí)際值比這大得多。

對(duì)于深度學(xué)習(xí)或者說人工智能運(yùn)算，瓶頸就在存儲(chǔ)器，最簡(jiǎn)單的解決辦法就是用HBM3內(nèi)存，HBM就是高寬帶。

圖片來源：SK Hynix

高性能AI芯片必用HBM，而HBM有三個(gè)缺點(diǎn)，一是價(jià)格昂貴，每GB成本大約20-40美元，至少8GB起售；二是必須使用2.5D封裝，成本進(jìn)一步增加；三是功耗增加不少。

HBM的成本還不是最高的，最高的成本是SRAM，也就是L2緩存，無論是訓(xùn)練還是推理，都要用到，容量越大越好，它的速度比HBM要高許多，成本要高更多。AI芯片當(dāng)然要用先進(jìn)工藝，臺(tái)積電N4即4納米工藝，這種工藝如果做SRAM并不會(huì)提高密度，4N工藝下每MB的SRAM成本大約40-50美元，也有人估計(jì)是近100美元。

現(xiàn)在我們來構(gòu)建一套BEV+Transformer，首選至少需要新增6個(gè)攝像頭，為什么不能用360環(huán)視的攝像頭，很簡(jiǎn)單，360環(huán)視用的都是魚眼鏡頭，水平FOV一般是195度，其有效距離一般不超過5米，大部分都是在3米甚至2米內(nèi)。做BEV至少需要20米的側(cè)向有效距離。此外，360環(huán)視攝像頭的安裝高度偏低，做BEV，高度越高越好，最好是車頂。

圖片來源：特斯拉

特斯拉是8個(gè)攝像頭，前面3個(gè)，F(xiàn)OV分別是35度、50度、120度，側(cè)方A柱和B柱各2個(gè)，前側(cè)攝像頭的FOV據(jù)說是90度，后側(cè)攝像頭的FOV推測(cè)是80度，后攝像頭FOV推測(cè)是130度，像素都是130萬像素。2023或2024年的HW4.0是7個(gè)，前面從三個(gè)變成兩個(gè)，35度FOV的攝像頭取消，50度FOV的攝像頭像素增加到536萬，就是索尼的IMX490做傳感器，其余6個(gè)攝像頭升級(jí)為200萬像素。

攝像頭的有效距離與像素?cái)?shù)、安裝高度成正比，與水平FOV成反比。中國(guó)車特別是新興造車勢(shì)力一貫采用800萬像素。因此800萬像素?cái)z像頭6個(gè)，像素比較高，F(xiàn)OV就可以寬一點(diǎn)，側(cè)向和后向都用120度，前向還是45度或50度。這需要8個(gè)加串行芯片，一般是MAX9295，4個(gè)解串行芯片，一般是MAX9296或MAX96712，MAX96712目前非常火爆，2倍甚至3倍高價(jià)都拿不到貨。光這12個(gè)解串行芯片估計(jì)就要近150美元，差不多1000人民幣。

處理器系統(tǒng)，運(yùn)算量巨大，非4個(gè)頂配Orin莫屬，僅此一項(xiàng)大約1200美元。理論上算力足夠了，但實(shí)際瓶頸在存儲(chǔ)，需要強(qiáng)大的存儲(chǔ)器，GDDR6或LPDDR5是首選。

圖片來源：STH

DDR5性能提升不少，如上圖，英偉達(dá)頂配Orin推薦的是64GB的256bit LPDDR5，帶寬有204.8GB/s。4個(gè)Orin需要256GBLPDDR5，目前48GB LPDDR4報(bào)價(jià)是35美元，256GB LPDDR5估計(jì)要200美元。GDDR6價(jià)格會(huì)更高，估計(jì)要300美元。

BEV+Transformer的根源是特斯拉，特斯拉自然是不用激光雷達(dá)的。迄今為止，研究BEV+Transformer的絕大部分都是純視覺，Waymo、地平線和國(guó)內(nèi)的毫末智行加入了激光雷達(dá)。與攝像頭比，線數(shù)再高的激光雷達(dá)都是稀疏點(diǎn)云數(shù)據(jù)，兩者的query特征差別較大，雖然說BEV更適合傳感器前融合，但激光雷達(dá)的作用明顯弱化，核心還是攝像頭，純視覺與加了激光雷達(dá)的傳感器高級(jí)融合，實(shí)際差別不大，這與激光雷達(dá)領(lǐng)域大量使用點(diǎn)柱算法也有關(guān)系，激光雷達(dá)的深度信息完全沒有發(fā)揮，等于是一個(gè)能在黑夜工作的加強(qiáng)版的攝像頭。反倒是那些8線或16線甚至4線的激光雷達(dá)效果更好。

再來看AI芯片，目前智能駕駛領(lǐng)域的AI芯片都是以CNN為核心的，基本都是設(shè)計(jì)針對(duì)INT8即整數(shù)8位精度的，在Transformer時(shí)代很難有所作為，需要重新設(shè)計(jì)，且重要性下降，與GPU比差距拉大了。最關(guān)鍵一點(diǎn)，時(shí)間序列是矢量，Transformer是浮點(diǎn)矢量矩陣乘法累加運(yùn)算，浮點(diǎn)運(yùn)算與整數(shù)運(yùn)算差異巨大，GPU最初就是專門為浮點(diǎn)運(yùn)算而生的。AI推理專用芯片幾乎都不考慮浮點(diǎn)運(yùn)算。AI芯片做浮點(diǎn)運(yùn)算時(shí)，效率會(huì)直線下降。

Swin Transformer的模型結(jié)構(gòu)

圖片來源：《MaxViT: Multi-Axis VisionTransformer》

從圖上就能看出其采用了4*4卷積矩陣，而CNN是3*3，這就意味著目前的AI芯片有至少33%的效率下降。再者就是其是矢量與矩陣的乘法，這會(huì)帶來一定的浮點(diǎn)矢量運(yùn)算。假設(shè)高和寬都為112，窗口大小為7，C為128，那么未優(yōu)化的浮點(diǎn)計(jì)算是：4*112*112*128*128+2*112*112*112*112*128=41GFLOP/s。大部分AI芯片如特斯拉的FSD和谷歌的TPU，未考慮這種浮點(diǎn)運(yùn)算。不過華為和高通都考慮到了，英偉達(dá)就更不用說了，GPU天生就是針對(duì)浮點(diǎn)運(yùn)算的。

英偉達(dá)在新一代GPU中特別增加了Transformer引擎，Transformer引擎的秘訣在于它能夠在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的每個(gè)步驟中動(dòng)態(tài)選擇神經(jīng)網(wǎng)絡(luò)中每一層所需的精度。最不精確的單元，即8位浮點(diǎn)，可以加快計(jì)算速度，但如果這是下一層所需的精度，則可以為下一層生成16位或32位和。不過，Hopper更進(jìn)一步。

它的8浮點(diǎn)單元可以使用兩種形式的8位數(shù)字中的任何一種進(jìn)行矩陣數(shù)學(xué)運(yùn)算。標(biāo)準(zhǔn)的16位浮點(diǎn)格式(IEEE 754-2008)需要5位指數(shù)和10位尾數(shù)以及符號(hào)位。為了減少數(shù)據(jù)存儲(chǔ)要求和加速機(jī)器學(xué)習(xí)，英偉達(dá)和谷歌更喜歡bfloat-16，它用三位尾數(shù)換取一個(gè)附加指數(shù)，使其范圍與32位數(shù)字相同。

bf16是最適合Transformer的格式。英偉達(dá)的Transformer引擎可以協(xié)調(diào)動(dòng)態(tài)范圍和準(zhǔn)確度，比如浮點(diǎn)8位，大動(dòng)態(tài)范圍可以使用5位指數(shù)和2位尾數(shù)（E5M2），或者當(dāng)精度是關(guān)鍵時(shí)，可以使用4位指數(shù)和3位尾數(shù)(E4M3)。

CNN的權(quán)重模型通常不超過20MB，而Transformer則輕松超過1000MB也就是1GB。以前CNN時(shí)代，AI芯片還可以勉強(qiáng)放下權(quán)重模型，而Transformer時(shí)代則絕無可能，存儲(chǔ)器的重要性進(jìn)一步上升，AI芯片的地位下降，GPU的優(yōu)勢(shì)更加明顯。

不僅是智能駕駛，所謂AI的發(fā)展方向就是模型體積越來越龐大，參數(shù)量越來越多，就像劣幣驅(qū)逐良幣一樣，這樣硬件會(huì)不斷迭代，成本也會(huì)越來越高。

審核編輯：劉清