自动驾驶感知领域的革命：抛弃帧的事件相机将给高算力AI芯片沉重打击

今年1月初，瑞典初创公司Terranet宣布斩获了来自汽车产业巨头戴姆勒梅赛德斯奔驰的Voxelflow原型采购订单，订单价值31000欧元。这笔采购订单是Terranet和戴姆勒于2020年10月签署的谅解备忘录（MoU）的延续，双方的谅解备忘录涉及ADAS和防撞解决方案的原型验证、产品开发和产业化。下一步是将VoxelFlow集成到奔驰的测试车辆中。

实际Terranet的核心是基于事件的图像传感器（Event-based Camera Sensor，或Event-driven Camera Sensor，下文简称事件相机）。事件相机主要有两种，DVS（Dynamic Vision Sensor）以及DAVIS（Dynamic and ActivePixel Vision Sensor）。DVS是普通的事件相机，而DAVIS就是在回传事件的同时还可以回传灰度图。



事件相机的灵感来自人眼和动物的视觉，也有人称之为硅视网膜。生物的视觉只针对有变化的区域才敏感，比如眼前突然掉下来一个物体，那么人眼会忽视背景，会将注意力集中在这个物体上，事件相机就是捕捉事件的产生或者说变化的产生。在传统的视觉领域，相机传回的信息是同步的，所谓同步，就是在某一时刻t，相机会进行曝光，把这一时刻所有的像素填在一个矩阵里回传，一张照片就诞生了。一张照片上所有的像素都对应着同一时刻。至于视频，不过是很多帧的图片，相邻图片间的时间间隔可大可小，这便是我们常说的帧率（frame rate），也称为时延（time latency）。事件相机类似于人类的大脑和眼睛，跳过不相关的背景，直接感知一个场景的核心，创建纯事件而非数据。

实际上自动驾驶领域99%的视觉数据在AI处理中是无用的背景。这就好像检测鬼探头，变化的区域是很小一部分，但传统的视觉处理仍然要处理99%的没有出现变化的背景区域，这不仅浪费了大量的算力，也浪费了时间。亦或者像在沙砾里有颗钻石，AI芯片和传统相机需要识别每一颗沙粒，筛选出钻石，但人类只需要看一眼就能检测到钻石，AI芯片和传统相机耗费的时间是人类的100倍或1000倍。

事件相机的工作机制是，当某个像素所处位置的亮度发生变化达到一定阈值时，相机就会回传一个上述格式的事件，其中前两项为事件的像素坐标，第三项为事件发生的时间戳，最后一项取值为极性（polarity）0、1（或者-1、1）,代表亮度是由低到高还是由高到低，也常被称作Positive or Negative Event，又被称作On or Off Event。

就这样，在整个相机视野内，只要有一个像素值变化，就会回传一个事件，这些所有的事件都是异步发生的（再小的时间间隔也不可能完全同时），所以事件的时间戳均不相同，由于回传简单，所以和传统相机相比，它具有低时延的特性，可以捕获很短时间间隔内的像素变化。延迟是微秒级的。

除了冗余信息减少和几乎没有延迟的优点外，事件相机的优点还有由于低时延，在拍摄高速物体时传统相机会发生模糊（由于会有一段曝光时间），而事件相机几乎不会。再就是真正的高动态范围，由于事件相机的特质，在光强较强或较弱的环境下（高曝光和低曝光），传统相机均会“失明”，但像素变化仍然存在，所以事件相机仍能看清眼前的东西。


传统相机


事件相机

传统相机的动态范围是无法做宽的，因为放大器会有线性范围，照顾了低照度就无法适应强光，反过来适应了强光就无法顾及低照度。

事件相机在目标追踪、动作识别等领域具备压倒性优势，尤其适合自动驾驶领域。

空中一个球的轨迹




扔一个球，看看两种相机的轨迹记录




传统相机的帧记录



事件相机的轨迹记录

事件相机的出现对高算力AI芯片是致命打击，它只需要传统高算力AI芯片1%甚至0.1%的算力就可完美工作，功耗是毫瓦级。并且它是基于流水线时间戳方式处理数据，而不是一帧帧地平面处理各个像素。传统卷积算法可能无用，AI芯片最擅长的乘积累加运算可能没有用武之地。

像特斯拉目前最顶配的FSD，8个摄像头的分辨率只有130万像素，就已经需要144TOPS的算力，而目前英伟达的自动驾驶试验车型用的摄像头已经是800万像素，因此1000TOPS的算力是必须的，如此大的算力不仅带来高成本，还有高热量。除非能挖矿，否则是太浪费了。即便如此，高算力和安全也没有关系，摄像头的帧率一般是30Hz，注定了至少有33毫秒的延迟，这个哪怕你的算力达到1亿TOPS也于事无补。为了准确检测行人并预测其路径，需要多帧处理，至少是10帧，也就是330毫秒。这意味着相关系统可能需要数百毫秒才能实现有效探测，而对于一辆以60公里每小时行进中的车辆来说，330毫秒的时间就能行驶5.61米。而事件相机理论上不超过1毫秒。

视频即静止图像序列，计算机视觉一直朝着“视频摄像头+计算机+算法=机器视觉”的主流方向，却很少人质疑用图像序列（视频）表达视觉信息的合理性，更少人质疑是否凭借该计算机视觉算法就能实现真正机器视觉。人类视觉系统具有低冗余、低功耗、高动态及鲁棒性强等优势，可以高效地自适应处理动态与静态信息，且具有极强地小样本泛化能力和全面的复杂场景感知能力。1990 年Mead 首次在《Proceedings of IEEE》上提出神经形态（Neuromorphic）的概念，利用大规模集成电路来模拟生物神经系统。1991 年 Mahowald 和Mead在《Scientific American》的封面刊登了一只运动的猫，标志了第一款硅视网膜的诞生，其模拟了视网膜上视锥细胞、水平细胞以及双极细胞的生物功能，正式点燃了神经形态视觉传感器这一新兴领域。Mahowald解释称，“模仿人类视网膜，这种‘硅视网膜’通过从图像中减去平均强度水平，只报告空间和时间变化，从而减少了带宽。”1993 年 Mahowald团队为了解决集成电路的稠密三维连线的问题，提出了一种新型的集成电路通信协议，即地址事件协议（Address-Event Representation, AER ），实现了事件的异步读出。2003年Culurciello 等人设计了一种 AER 方式的积分发放的脉冲模型，将像素光强编码为频率或脉冲间隔,称为章鱼视网膜（Octopus Retina）。2005年 Delbruck 团队研制出动态视觉传感器（Dynamic Vision Sensor, DVS），以时空异步稀疏的事件表示像素光强变化，其商业化具有里程牌的意义。然而，DVS无法捕捉自然场景的精细纹理图像。2008 年 Posh 等人提出了一种基于异步视觉的图像传感器（Asynchronous Time-based Image Sensor, ATIS），引入了基于事件触发的光强测量电路来重构变化处的像素灰度。


分型视觉采样

硅视网膜这种灵感推动了动态视觉传感器背后的概念，使苏黎世联邦理工学院成为该技术的创新中心，并孕育了像Prophesee、Insightness等无数初创企业。瑞士创新公司iniVation也是其中之一。百度则资助了CelePixel，后来韦尔股份收购了Celepixel。还有中科创星和联想创投联合投资的锐思智芯。

目前主要是索尼和三星在激烈竞争。初创公司不得不和这些传感器巨头合作，如Prophesee和索尼，iniVation和三星。2019年12月，索尼悄悄收购了总部位于苏黎世的Insightness公司。三星为其移动和平板电脑应用的动态视觉传感器（Dynamic Vision Sensor, DVS）技术提交了商标申请。

Prophesee和索尼是目前最接近商业化的。2020年2月，总部位于巴黎的Prophesee公司在完成2800万美元额外融资后不久，和索尼一起在美国旧金山举行的国际固态电路会议（International Solid-State Circuits Conference）上联合发布了这个130万像素的事件相机图像传感器。



新款基于事件的图像传感器分辨率为1280 x 720像素，填充系数为77%，300MEPS版本的功耗为73mW。当基于帧的图像传感器根据帧速率以固定的间隔输出整幅图像时，基于事件的图像传感器使用“行选择仲裁电路”异步选择像素数据。通过在亮度发生变化的像素地址中添加1μs精度的时间信息，以确保具有高时间分辨率的事件数据读出。通过有效压缩事件数据，即每个事件的亮度变化极性、时间和x/y坐标信息，实现了1.066Geps的高输出事件发生率。



事件相机图像传感器并不复杂，每个像素都包含一个检测亮度变化的电路。



理念非常简洁，但是要商业化就要注意控制成本，对芯片来说，面积越大意味着成本越高，检测亮度变化的电路增加了面积，这意味着事件相机的像素会随着分辨率的增加而成本大增。索尼的BSI技术是关键，将背照式CMOS图像传感器部分（顶部芯片）和逻辑电路（底部芯片）堆叠时，通过连接的铜焊盘提供电连续性的技术。与硅通孔(Through Silicon Via, TSV)布线相比，通过在像素区域周围穿透电极来实现连接，与之相比，此方法在设计上具有更大的自由度，提高了生产率，缩小了尺寸并提高了性能。索尼于2016年12月在旧金山举行的国际电子设备会议（IEDM）上宣布了这项技术。也靠这项技术稳居图像传感器霸主位置。

通过在像素芯片（顶部）只放置背光像素和N型MOS晶体管的一部分，将光孔进光率提高到77%，从而实现业界最高的124dB HDR性能（或更高）。索尼在CMOS图像传感器开发过程中经年累积的高灵敏度/低噪声技术使得事件检测能在微光条件下（40mlx）进行。像素芯片（顶部）和逻辑芯片（底部）结合信号处理电路，检测亮度变化基于异步增量调制法分别排列。两个单独芯片的每个像素都使用Cu-Cu连接以堆叠配置进行电连接。除了业界较小的4.86μm像素尺寸，该传感器通过采用精细的40nm逻辑工艺实现高密度集成，为1/2英寸，1280x720高清分辨率。

事件相机仍然无法取代激光雷达或双目系统，因为它无法提供深度信息，因此事件相机必须配合激光雷达才能实现完美的3D感知。这就回到了文章开头，Terranet的秘密武器就是事件相机，Terranet用事件相机增强激光雷达的性能，这就是Terranet开发的所谓VoxelFlow，Terranet认为现在很多环境感知系统所使用的摄像头和传感器并不比苹果iPhone的标准配置强多少，而iPhone的FaceID每帧也只能产生33000个光点。Terranet公司目前正在开发的基于事件的传感技术VoxelFlow，能够凭借很低的算力，以极低的延时对动态移动物体进行分类。VoxelFlow技术每秒可以生成1000万个3D点云，提供没有运动模糊的快速边缘检测。基于事件的传感器的超低延时性能，能够确保车辆及时应对“鬼探头”问题，采取紧急制动、加速或绕过突然出现在车辆后方的物体以避免碰撞事故。Voxelflow是一种新型的计算机视觉解决方案，它由三个基于事件的摄像头和一个激光扫描仪组成。Voxelflow用主动照明技术通过3D三角测量，创建带时间戳的点云（x、y、z）光栅图像。



现在的AI本质上还是一种蛮力计算，依靠海量数据和海量算力，对数据集和算力的需求不断增加，这显然离初衷越来越远，文明的每一次进步都带来效率的极大提高，唯有效率的提高才是进步，而依赖海量数据和海量算力的AI则完全相反，效率越来越低，事件相机才是正确的方向。