只用CPU开发自动驾驶轮船，他们居然做到了

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

 有件事情一直令我感到好奇：

都2021年了，现在有自动驾驶船在海上行驶吗？

带着这个问题，我打开谷歌，输入“Autonomous ship”，没想到现在的自动驾驶轮船技术刷新了我的认知：

完全无人的自动驾驶轮船今年将横渡大西洋；零排放的自动驾驶轮船正在研发中……

除了实验室里的成果，其商业化进度更是超出我的想象：

原来，早在2018年，RR（也就是劳斯莱斯）曾用自动驾驶轮船成功跨海运送了80名VIP客户的汽车。

RR的技术来自一家挪威公司——Kongsberg Maritime（康斯博格海事）。他们运用雷达和摄像头检测并避开障碍物，在途中自动行驶，驶入港口后自动停泊。

之后，RR商业海事部门于2019年4月被Kongsberg收购。

而这家Kongsberg，正是前面提到的开发零排放自动驾驶船舶的航海巨头。

在Kongsberg的技术蓝图里，未来挪威公司生产的化肥将在三个港口之间装船、航行和卸货。整个过程完全无需人工现场干预。

按照国际海事组织（IMO）的定义，现在的自动驾驶轮船技术正在从L2向L3演进。

至此，我对自动驾驶轮船的商业化进程已经有大致的了解，那么剩下的问题来了。

轮船如何自动驾驶？

自动驾驶汽车使用的技术和芯片五花八门，有坚持只用图像识别的，也有结合激光雷达的；有自研芯片的，也有购买第三方计算平台的。

Kongsberg用的是什么方案？

和大多数无人车类似，Kongsberg的方案采用了多种传感器：雷达探测远距离物体，激光雷达对船体附近区域进行高精度分析，高清摄像头拍摄船舶前方海域180度视野景象。

这就是他们首款上市的全自动驾驶船解决方案Intelligent Awareness（智能意识）。

三种传感器收集到的信息，经过算法处理后显示在屏幕上，船员可以通过仪表盘看到高亮显示的潜在危险区域。

按照，Kongsberg的说法，“智能意识”可帮助降低航海者的风险，尤其是在黑暗环境、恶劣天气条件下，或是拥挤海域，以及进出船坞之时。

当然，其中用的图像识别与分类比自动驾驶汽车要复杂得多。

因为海面上的搜索距离更大，因此图像中物体的缩放比例是一个巨大挑战。相同物体在不同距离上呈现的大小有天壤之别，可能最小10个像素块、最大10万个像素块。

这必然对硬件有很高的要求。

他们居然只用CPU

然而令人吃惊的是，Kongsberg在这套方案里没有使用AI推理加速硬件，比如独立的GPU或NPU，而是完全依赖于英特尔的CPU（和内部集成GPU）。

即使在运算量更小的自动驾驶车上，不使用专门的AI芯片都是不可想象的。

况且Kongsberg过去的AI方案也不是没使用过GPU，为什么在轮船上反而不用了？令人费解。

后来，这家公司的一位项目经理Saarela在采访中道出了缘由：

其中一个重要原因是海事认证问题。如果不用GPU，我们的服务器会更容易通过认证。而且，我们还想降低功耗。

我们理想的方案是使用差不多相同的通用服务器系统。我们并不是每台服务器都需要GPU，所有服务器都不用GPU会更好，这样我们就获得了冗余，能在任何服务器上运行任何应用程序。

工业领域严苛的认证体系，商业用户节约成本的需求，让全CPU方案成为了“自动驾驶轮船”的首选方案。

实际上， CPU也是完全可以胜任AI推理的。

在这套方案中，Kongsberg使用两个英特尔至强铂金8153处理器，每个处理器有16个内核。每个内核可处理两个线程，所以总共可并行处理64个模型。

硬件规格绝对够豪华。问题是，CPU能满足自动驾驶的计算需求吗？

对于这一点，就连项目经理Saarela本人最初也没有信心。

如果CPU处理图像的速度不够快，那么自动驾驶轮船就可能撞到其他高速移动的船只。对于商业海运来说，这种事故造成的经济损失不容小觑。

谁说CPU不适合AI推理

为了解决这个难题，Kongsberg找来CPU供应商英特尔联手优化了“智能意识”解决方案。

Kongsberg负责提供预先训练好的人工智能模型供英特尔使用。而英特尔则提供OpenVINO“加速包”，在不降低准确度的情况下帮助提升数据处理速度。

OpenVINO（开放式视觉推理和神经网络优化）是英特尔于2018年推出的深度学习优化与部署开源工具包，帮助开发者更方便地在英特尔硬件平台上部署AI模型。

OpenVINO支持Caffe、TensorFlow、MXNet、ONNX等主流深度学习框架，而PyTorch、PaddlePaddle等支持转换为ONNX的框架也可以间接使用，覆盖了绝大多数AI开发者。

当然，用TensorFlow开发自动驾驶轮船的Kongsberg也不例外。

OpenVINO将训练好的模型通过模型优化器转换为中间表示 (IR)文件（*.bin和*.xml）。

由于去除了模型中任何仅与训练相关的运算，并将部分推理运算融合在一起，所以大大加快了推理计算的速度。

下图展示了OpenVINO（深蓝色）在模型中的作用，它就像假设在深度学习框架（浅蓝色）和用户应用（橙色）之间的桥梁。

OpenVINO将训练后的模型针对英特尔硬件进行深度优化，再重新部署，而且这个过程中无需重新训练AI模型。

经优化后，在Kongsberg的一个目标识别基准项目上，CPU每秒处理的图片数量提升了4.8倍。

看到这个结果后，Kongsberg的项目经理Saarela表示：

结果让我十分震惊。我原以为我们永远都摆脱不了GPU，但这些结果改变了我的想法，让我看到了使用CPU的可能性。

打开OpenVINO的介绍页面，你会发现，这套工具给英特尔CPU带来了巨大的AI技术加成。

最新的2021.2版功能已十分强大，支持图像分类、语义分割、目标检测、人脸识别、单眼深度估计、图像修补等几乎所有CV应用模型。

而作为一款可以放心用于工业领域的工具包，英特尔也考虑到稳定性提供LTS版，保证了性能、接口向后兼容性、7x24稳定性以及压力测试。

搭配上英特尔配套提供的Python分发版，只需微调代码即可提高Python应用程序的性能，加速NumPy、SciPy和Scikit-learn等科学计算、机器学习库。

在官方文档中，Python分发版最高可以带来数倍的性能提升。

现在，我终于明白，Kongsberg为什么只用CPU也能开发自动驾驶轮船了。

其实不仅是轮船，类似的场合还很多。就拿很多个人开发者来说，一台开发电脑可能没有独立显卡，但是绝对不能没有CPU。

而有了OpenVINO工具包的加持，受限的硬件环境一样能发挥出AI的性能。

说到这里，我突然想起来之前在英特尔开发者活动上抽中的奖品——第二代神经计算棒，这家伙放在我抽屉里很久了。

我特意去官网查询了一下，这款英特尔硬件也支持OpenVINO，而且我最近还入手了树莓派开发板，正愁如何使用。

没想到解决自动驾驶轮船的疑问，还帮我解决了另一个难题——如何防止树莓派吃灰，现在是时候用OpenVINO和神经计算棒去重新部署一下我的YOLO模型了。