技術頻道

Navigant Research最新研究報告指出，智慧家庭平台的全球年收益預計將從2019年的32億美元增加到2028年的143億美元，年均複合成長率(CAGR)為18.1%。 技術商如Silicon Labs耕耘新興智慧家庭市場多年，透過提供矽晶和軟體解決方案，並與各種設備製造商、通訊協定技術聯盟(SIG)和智慧家庭技術聯盟緊密合作，推動智慧家庭市場發展。隨著2020年的到來，人們也總結六項關鍵趨勢，這六大趨勢預計在未來一年中將嶄露頭角。 從Smart到Intelligent 傳統上，「Smart」意味著使用者可透過語音命令調節燈光，或者在上下班時以智慧手機打開暖氣。這種聰明智慧很棒，人們都喜歡。但這只是邁向更遠大、更令人振奮旅程的第一步。 物聯網裝置正變得更強大且智慧。外形尺寸不斷縮小。強大的通訊協定提供更廣的範圍和更高功效，消費者能夠在家中增加更多可連接的裝置。這些都意味著實現更複雜功能組合的可能性(甚至是期望)越來越大，多種設備可以無縫並智慧協同工作。 舉個簡單的例子，當使用者與家人或朋友觀賞電影時。經由單一語音命令可以將電視和機上盒打開，並準備播放電影；同時可降下百葉窗，使燈光調暗，營造出類似電影院的氛圍。 多重協定連接更普及 談到智慧家庭連接時，沒有一種協定能成為絕對主流。這有充分的理由：藍牙、Wi-Fi、Zigbee、Z-Wave、Thread和專屬網路都具備不同的特性，其各自在IoT連接中發揮作用。 設備製造商將持續根據範圍、連接的裝置數量、功率限制，以及其希望整合之智慧家庭生態系統所使用的協定等因素來選擇通訊技術。 這種使用最佳無線技術的方法持續推動對於多重協定連接的需求。例如Silicon Labs開發具備動態多重協定連接能力的無線IoT解決方案，該方案能支援Zigbee、藍牙和其他協定選項；每個協定對延遲和頻寬都有各自的要求，有效的通訊調度是成功利用動態多重協定連接的關鍵要素，如透過單一多重協定SoC進行設計，可以將無線子系統的物料清單(BOM)降低達40%、簡化印刷電路板(PCB)的設計，並藉由射頻共存方法消除多個無線電之間的潛在干擾。 由此產生的多重協定智慧家庭產品對消費者更具吸引力，使其不再需要花費太多時間查找規格，以確保某些東西可以在設定後運作。展望未來，人們將看到用於智慧家庭的終端產品開始支援多重協定連接，使購買新產品時對包裝盒上會附有何種協定標誌而感到焦慮的消費者而言，選擇將變得更加容易；而它們都可以正常運作，這與人們的下一個智慧家庭趨勢非常契合。 智慧家庭裝置優化使用者體驗 即使使用者的裝置是市場上功能最強大的智慧家庭產品，若是安裝和使用體驗不佳就不太可能會得到迴響。市場上的競爭者盡可能讓智慧家庭裝置的設定和操作變得更容易。如Z-Wave SmartStart安裝系統就是一個例子，其使消費者能透過掃描QR Code，將新裝置增加到他們的網路中。 人工智慧廣泛運用 越來越強大的運算能力，使智慧家庭設備製造商能就近利用裝置附近的機器學習功能，而不是局限在雲端。這種將智慧遷移到邊緣的好處是可以減少延遲，並且打造反應速度更快和更智慧的系統；此外，還可透過限制家庭外部共用數據的數量和類型，提供更高的安全性和隱私性。 差異化為裝置製造商技術突破口 智慧家庭裝置的製造商對於如何使用先進的技術，改變人們的生活方式都有著某種願景，實現這個願景是他們的首要目標。這就是為什麼他們希望投入更多時間進行創新和差異化，而不是深入了解元件整合、無線認證等方面的細節。 而結果是智慧家庭裝置製造商不斷尋找能夠提供開發工具，並且標準化跨越多重通訊協定設計過程的半導體和軟體供應商。這些實用工具可解決繁瑣的耗能分析、配置和連結優化等工作，使裝置設計人員的工作更加輕鬆。因此，可以為創新留出更多時間，同時加快產品上市時間。 全面協作模式強化資安 沒有深入研究安全性，也就無從談起智慧技術趨勢和物聯網。隨著越來越多的連接裝置蒐集更多資料，駭客發動的攻擊越來越複雜；加上精通科技的消費者愈發意識到這些攻擊和聯網家庭中存在的風險，安全需求(從裝置到雲端)正日漸成長。 當然，挑戰在於實現安全性，又能免除對電池壽命、頻寬、CPU使用率和系統成本造成不能接受的影響。要確保IoT的安全，需要一種全面、協作的方法，包括半導體和軟體供應商、無線協定SIG、設備製造商、IoT服務供應商和雲端企業的整個生態系統。 例如Silicon Labs的Z-Wave Security S2技術重新設計Z-Wave安全性的工作方式，致力為智慧家庭網路打造黃金標準，其使用橢圓曲線Diffie-Hellman加密技術和非對稱密鑰交換。關鍵為其在裝置上的代碼占用空間很小，為製造商提供新增所需功能的額外空間。S2補足其他針對IP網域的優化機制，這些機制使Z-Wave服務能夠實現端對端的安全性。 智慧家庭市場令人振奮，對於設計和製造智慧家庭產品的人來說，網路協定的互連/互通越加容易；簡化開發和提升使用者體驗的新工具意味著他們能更快設計出更具吸引力的產品。 另外，對消費者而言，好消息是他們將從更快的創新步伐、更廣泛選擇易用產品以及從生態系統互通性中受益，這將讓他們在2020年後實現越來越聰穎的智慧家庭生活。 (本文作者為Silicon Labs智慧家庭產品行銷經理)

在印度標準局(BIS)、印度汽車研究協會(ARAI)、能源效率服務有限公司(EESL)等組織的協助下；印度政府已公布充電站的技術規格，此外AC-001、DC-001等原始標準也已經完成開發，並在特定地點部署充電站；除了低功耗AC和DC-001之外，最新規範也要求充電站必須配備多種規格的充電器，也就是AC Type 2、CCS和CHADEMO。不過這些系統完全仰賴電網供電，會因主要都會和半都會地區建物的供給而受限，而且電網是否準備充分足以應付這些額外負擔，也都還是問題。 而這就是太陽能與儲存裝置可以切入的領域，不但可補足電網不足，還能在全國各處可行地點獨立作業。所幸印度已成功部署太陽能，且因地理條件，太陽能資源十分充足。一次性的安裝與資本支出可順利運轉至少20到25年，投入的資金只需短短幾年即可回收，之後的能源輸入便都形同免費。 接下來將介紹一套可行的實作方法，來運用、儲存太陽能並將其應用於電動車的充電；本文還會略為提到能源的運用和儲存方法、分散式電池管理、能源轉換與連結，都是模組化、可擴充之太陽能驅動電動車充電站的基本要素。 圖1為常見由太陽能驅動之電動車充電站實作的配置圖，主要元素均可一目了然。 圖1　太陽能電動車充電站的功能方塊 至於使用者的部分，基本上為終端使用者會用到的功能。資訊的交換和使用者互動都是在這裡進行，通常包含一個具備觸控感測功能的TFT螢幕、供驗證或支付用的NFC讀卡機，有時或許還有藍牙介面以提供更先進的功能；車輛可實體連接任何一種輸出埠─供小型車和電動三輪車使用的AC慢充、特定等級車輛的AC快充，以及DC快充。使用者必須驗證自己的身分、設定偏好的充電方式，並且等到充電完畢。不過越深入其後的功能越複雜，因為都由中央控制器所控制和監控，所以會牽涉到許多不同的模組。 三供電來源共構能源管理系統 這套系統有三種供電來源。首先最重要的就是太陽能板，規模分析並不在本文討論範疇內，但一般來說每小時最少要有數千瓦(Kilowatt)。太陽能板的額定輻照度通常在每平方公尺150W。太陽能板饋給的對象為最大功率點追蹤(MPPT)模組，這是一種直流對直流(DC-DC)的功率轉換器，內部可執行最大功率點追蹤運算法。一般來說這些裝置效率都非常高，電效率超過98%，其通常是多相的交錯式降壓或降升壓轉換器，輸入和輸出端都只要幾百瓦就能運轉。裝置可以隔離也可以不要，但因為法規或安全因素，大部分系統都會進行電氣隔離。它的輸出對象則是一個通用的直流匯流排，可從這裡將下游能源提供給負載，而系統可採類比、完全數位化，或混合類比與數位控制。 第二種來源是電網，其並非必要供電來源，因為目的是使太陽能的利用最大化。不過在供電斷斷續續，或日照不足以提供全年或特定季節運轉的地區，電網就有助於滿足需求，因為系統基本上是一種太陽能儲存裝置，因此也可以利用系統本身在尖峰時刻補足電網之不足，或利用雙向的併網逆變器，擔任太陽能發電場的角色。若有適當政策將太陽能發電場或自用電廠所產生的電力輸出給電網，並採用淨計量電價的模式，就同時可以達到兩用效果。 第三種來源，同時也是接收/儲存點，則是電池。最近的趨勢是利用電池續航力高的鋰電池來快速充電，放電深度與容積效率都非常高，也可以將電池放在地底下以節省建物空間。這些鋰電池組件會以適當的串並聯組合放置，並分為好幾個組列。 電池的末端有一個接線盒，以及同時扮演監督者角色的終止裝置。每個電池都有一個資料埠，通常為CAN或RS485，都以菊環鏈模式輸出到終止裝置，終止裝置就能從最頂層了解每一個電池、組列或整個蓄電池組的健康狀態─這基本上是一種資料集中器和交換裝置，讓電池組件連接或中斷電路。此外，其還能和中央控制進行通訊，決定電池要充電還是放電。 圖2很清楚描繪出電源系統的架構，這是一種模組化的系統，可擴充到適當規模，模組通常都可擴充，每個3~5kW且搭配通訊匯排流，多半是CAN或MODBUS/RS485。中央控制器隨時都可以根據功能需求來配置模組—無論是充電管理、負載管理或診斷檢查。中央控制器內部經過布建可偵測能源使用狀況，基本上就是每小時消耗、儲存和產生/輸出多少kW的電力；同時還能與工業標準的電度表通訊，達到計費、費率設定等目的。 圖2　後段的能源系統架構 SiC提升電源轉換功率密度/效率 DC-DC轉換器模組接收DC匯流排的輸出。依照連結的車輛種類，還有與車輛電池管理系統規定電壓和電流相關需求，中央控制器會將DC-DC轉換器配置到通訊匯流排，這種選項通常用在DC快速充電，還可同時搭配多個DC-DC轉換器模組以達到負載。 DC-AC逆變器也是接收DC匯流排的輸出，但專門用於只能接受AC充電或一般慢充應用的車輛。這種雙向的逆變器可達到兩種功用：一是對DC匯流排輸出以滿足需求，二則是當充電站處於空轉狀態，抑或尖峰時段必須利用充電站來補強電網不足，便可反向對電網輸出電力。目前任何一種電源轉換模組的關鍵效率指數包括下列兩項指標： ．高效率 端對端>95%，為現今已經可以實現的數字。 ．高功率密度 有助於縮小系統體積，因為建物空間是主要部署成本之一。 以上兩點都可以藉由先進的晶片技術達成。寬能隙(Wide Band Gap)半導體，尤其是碳化矽(SiC)元件，能在高切換頻率、更高的接面溫度下運作，而且效率更高。除此之外，還可自動縮小磁性元件和電容器等被動元件的尺寸。因為有更好的磁性元件材料，在設計上得以縮小體積並降低耗損，因此可以處理更高的功率。 中央控制器四功能確保穩定充電 中央控制器為充電站的大腦，功能包含最基本的使用者/訂戶的辨識及互動，甚至是確保車輛以最適方式充電，結合高效能運算、聯網與感測功能，功能強大。主要功能如下： ．使用者身份與支付 就使用者而言這是最常見的功能，透過智慧卡、一次性密碼(OTP)、支援NFC功能之手機，甚至藍牙執行。所有次要系統都由面板的微處理器/微控制器(MPU/MCU)控制。 ．電源管理 這是充電站最重要但也最不顯眼的部分。系統控制器會持續監測電源情境：也就是供與需，接著決定如何從供應端滿足需求。無論光靠太陽能是否足以供應負載，或必須結合太陽能和儲存的電力，又或是同時需要從電網提供部分輸入。有些情境下可能會出現供給過剩或需求過高的狀況，其有足夠的智慧功能，可透過更改上述各種電源模組的設定，根據實際狀況傳送電力。 ．聯網功能 最新的充電站和相關部署，都必須連上雲端以進行遠端監測及控制；且必須定期與中央管理系統(CMS)對話、回報轉移狀況、參數、診斷結果和運轉數據；同時需要接收來自中央管理系統的運轉指令及設定。因此目前已有多種聯網選項，包括有線及無線。3G/4G、Wi-Fi、乙太網路，甚至是LoRa，都已經用來進行遠端監測。 ．保護、診斷和回報錯誤 為了防止故障，系統具有動作迅速的保護機制，會因為大浪或雷擊等外部事件、運轉方面的問題、意外或刻意的誤用/濫用，或者是短路、超溫或過電壓/過電流狀況而驅動。為持續降低運轉成本並將故障時間減至最低，系統會自動回報可能經常發生的問題。模組化的建構方式讓系統可以準確指出現場有哪個故障部分必須更換，這樣技術人員就能在抵達現場前做好準備。 以上簡單介紹太陽能電動車充電系統部署方式。讀者可以到位於印度諾伊達(Noida)的意法半導體印度開發中心，體驗可行的解決方案和各種子模組，也可以根據OEM代工業者的個別需求提供客製化的設計。電子行動和電動車的充電基礎架構是關鍵的焦點領域之一，相關研究也正如火如荼進行，希望解決上述所有功能模組的高效率問題。目前已有端對端晶片可讓電動車充電站得以成真，還有許多設計參考架構加速產品上市時間。 (本文作者任職於意法半導體)

本文概述演算法和架構方面的最新發展，並探討FPGA如何適應不斷變化的環境。 DNN加速部署因應環境變化 當今工業革命的核心是推出許多機器學習(ML)的演算法，尤其是深度神經網路(DNNs)(圖1)。其在電腦視覺與語音辨識領域取得令人印象深刻的成果，且越來越廣泛地應用在其他任務中。DNN首先會透過已標記的資料集進行訓練，後續應用的其中之一是將其他資料進行推論，這個推論的過程通常被稱為部署，即是本文的重點。 圖1　卷積神經網路的基本拓撲結構 與DNN部署相關的大量運算和儲存需求需要加速。此外，根據不同的應用實例，可能會對準確度、成本、功耗、模型大小、傳輸量和延遲有不同的限制。擁有即時性且以安全為重點考量的應用，如AR、無人機控制、自動駕駛等，由於低延遲與資料傳輸量的需求，因此不適合使用雲端。 在雲端運算和ML即服務的環境下，資料中心為成功處理大量的資料，面臨不斷成長的傳輸需求，為能源效率與營運成本帶來更多像是如何降低最多營運費用等挑戰。與嵌入式場景相比，雖然雲端服務延遲不那麼重要，但其仍然會直接影響到互動式應用的使用者體驗，例如Jouppi等學者在雲端服務中，將互動式使用者體驗的回應時間限制為7毫秒。 由於上述這些挑戰，過去數年間不同DNN模型與加速器呈現極速的發展。考慮到應用需求的差異，目前DNN推論作業負載與硬體加速器架構領域的一大關鍵趨勢，為多樣性及快速演進發展。本文將概述演算法和架構的最新發展，並探討FPGA如何適應這種不斷變化的環境。 DNN趨向追求高效推論 DNN通常是由一個或多層建構的前饋運算圖，其中大型網路能夠包含數百到數千層；每一層皆由突觸互聯的神經元組成且都與權重相關。每個神經元運算其接受域的加權和，並且使用非線性激勵函數。電腦視覺通常使用卷積層，其接受域擴展到多個典型的二維特徵圖，這些特徵圖與多個典型的二維過濾器進行卷積，產生如圖2所示的運算虛擬碼結果。 圖2　典型DNN運算的虛擬碼 機器學習框架(如PyTorch、TensorFlow和Caffe)都是基於這些運算圖展示，針對訓練與推論將硬體的運算進行排程與配置。 傳統意義上，機器學習研究的重點是如何提高模型精確度，並沒有特別考量推論的成本。這一點在像AlexNet與VGG這類較為陳舊的ImageNet獲獎網路中表現相當明顯，即便這些網路現在看來規模較大且過度參數化。然而，隨著機器學習和DNN進入實際應用，運算和記憶體需求成為其中一個主要的問題。上述問題激發最近一系列有關如何使DNN推論更有效的研究，同時精準度和運算的複雜度也會成為考量。 以下簡述為提高DNN效率而提出的幾種方法。在大多數情況下，這些方法可被認為是相互獨立且可以組合的，儘管部分DNN可能不太適合某些技術。 高效能拓撲結構 DNN的拓撲結構定義了其包含多少層、每層的類型和大小，以及各層之間的連接方式。一些拓撲結構由構造規則進行定義，該構造規則根據拓撲參數定義大小和層數。近期大量研究都提出DNN可透過緊湊的拓撲結構實現高精準度，例如透過少量的參數、少量的乘積累加(MAC)運算或兩者並用。 最近的範例包括MobileNets、 ShiftNet、ShuffleNet，和Deep Expander Networks，其通常具有可控制精準度與運算量之間權衡的拓撲參數。而FPGA在這方面可以提供獨特的優勢，因為新型運算單元(例如移位和隨機排列)幾乎不需要運算資源，可透過重新配置元件中的可編程設計互連來實現。 量化 DNN通常使用浮點運算進行訓練，但可以使用有限的數值，其通常可以直接量化到8位元(參考圖3)，或者重新接受訓練以使用更少位元(訓練量化)，進而得到量化神經網路(QNN)。量化方案可以是均勻或非均勻的，而根據網路的不同部分可以使用不同的量化方案。使用更少位元數需要更少的運算和記憶體，但可能會導致準確度降低。最近大量資料都提出更好的量化訓練技術。近期的方法如LQ-Nets，已經將浮點和4位元QNN之間的精準度差距縮小到1%以下。 圖3　正弦波3位元量化函數 FPGA內部的可編程邏輯可提供獨特的功能，能夠以非常精細的位元度對運算單元的資源進行客製化，進而提供精確的位數來滿足應用需求。因此，此應用能夠發揮潛力來降低運算與記憶體的硬體成本。 剪枝(Pruning) 神經網路的一部分可以被修剪掉而不會對準確度產生任何重大影響，對於某些層來說，準確度最高可達90%(圖4)。剪枝技術在如何選擇修剪部分(例如透過權值幅度或二階導數)，以及在選擇以何種精度執行修剪(例如單個突觸、相鄰突觸群或用於卷積的整體特徵圖)有所不同。修剪單個突觸會導致不規則的結構，而這些結構只能透過專用硬體來進行有效處理。雖然人們通常選擇較粗精度的修剪方法，但是精細度的修剪方法更進一步提供可與FPGA搭配使用的效能擴展性，進而縮減記憶體子系統，在提供運算引擎所需支援的同時，有效儲存稀疏表示(Sparse Representations)。 圖4　突觸剪枝 層間融合與分解 數學等價或近似可以用來減少DNN層的運算和記憶體需求。例如，批次的標準化操作可以融合到前面的線性轉換層(卷積或全連接層)中。卷積可以用深度可分離濾波器(Filter)來近似表示基於奇異值分解的全連接層。 其他技術則可以使用知識蒸餾(Knowledge Distillation)使高效能模型的訓練變得更加容易。Hoffer 等學者提出將DNN的最終分類層固定到Hadamard矩陣上的方法，該矩陣具有+1/-1的固定模式值，並證明此方法對幾個ImageNet網路的分類精準度沒有影響。 精度/運算之間損益比較實測 神經網路是函數近似器，高品質的近似器(Approximators)比低品質的成本更高。其中，在確定將多少記憶體和運算資源用於執行推論(使用神經網路)，以及所得推論的品質(例如網路對未見輸入影像的類別進行預測時的準確性)之間，需要作出權衡。雖然難以確定資源與精度之間的確切關係，但是透過對具有不同運算要求的神經網路進行訓練並觀察所得準確度，能夠以過往經驗探究其設計空間。 圖5呈現的是設計空間探索的一種結果。(圖中兩軸上的數值越低結果則越理想。)使用不同的量化方案來生成具有不同運算成本(x軸表示為在整體運算中將使用多少FPGA LUT和DSP片的大略數值)和準確度(y軸)的網路。紅線是柏拉圖邊界(Pareto Frontier)與設計點，這些設計點在運算成本和準確度方面都是同類中最好的。在這種情況下，較低準確度的深度網路(ResNet-50，具有2位元權重和8位元激勵)的運算成本與誤率較低，優於較高精度的淺層網路(ResNet-18，具有8位權重和8位激勵)。 圖5　運算成本與使用各種量化網路在ImageNet上排名前5的分類錯誤率 深入推論加速器架構研析發展趨勢 如前所述，神經網路對運算與記憶體的要求可能非常高。例如使用像ResNet-50這類熱門的DNN對每個單獨的輸入影像進行分類需要77億次運算。然而，從優勢來看，本質上DNN的高度平行化，可以加以利用。因此，各種形式的客製硬體架構正在演進發展，以實現這些演算法的部署。 DNN的推論運算包含多個平行級別，如圖6所示。這些平行級別可歸納如下： ・連續層之間的粗精度拓撲平行與平行分支，例如在GoogLeNet或DNN整合中所發現的。 ・層內的神經元和突觸平行，例如多個輸入/輸出特徵圖(IFM/OFM)通道及卷積層中的畫素。 ・當分別查看權重和激勵的各個位元時，運算內部的位元層級平行級別。 圖6　適用於運算DNN推論的平行級別 推論加速器架構前景可期 在為這些運算和記憶體高度密集型演算法優化硬體架構時，會出現以下問題： ・如何進行最佳迴圈轉換和展開，以實現資料重複使用和運算效率最大化與記憶體瓶頸最小化？ ・如何在技術節點縮小導致收益有限的情況下提供效能可擴展性？ ・如何實現即時回應、功耗限制，以便在耗能較高的嵌入式應用場景中進行部署？ 除了標準的CPU以外，特殊應用硬體架構正試圖針對特定的應用限制進行優化，包括GPU、FPGA和AI ASIC。微軟創造了「DNN處理單元」這一術語，也可簡稱為DPU，作為這些客製架構的總稱。圖7描述了通DPU架構，其中典型的「痛點」以黑點標示。 圖7　通用DPU架構中的典型「痛點」 架構可以大致按照運算操作的基本類型、記憶體頻寬、平行級別、專業化程度和既有的準確度支援進行分類。雖然GPU最初是專注於遊戲和繪圖處理，並逐漸應用於高效能運算，但之後也越來越關注AI領域，並且將訓練加速作為其業界標準。 GPU被認為是向量SIMD處理器，如透過NVIDIA Volta系列中引入張量核(Tensor Core)和定點整數運算，為深度學習進行越來越大幅的客製化，尤其是採用NVIDIA最新Turing架構的INT4和INT8。DPU的ASIC解決方案旨在實現硬體成本最小化，並盡可能提升效能，例如Google的張量處理單元(TPU)。如前所述，TPU專門針對張量而不僅只是向量進行運算，並且為了充分發揮量化的優勢，還擁有客製記憶體架構與算數運算。除了TPU以外，越來越多公司正在打造客製硬體，包括Arm、Intel收購的Nervana、MobilEye和Movidius，以及GraphCore、Cerebras、Groq和Wave Computing等眾多新創企業。綜上所述，業界環境正在迅速發生變化。 FPGA在高效DNN的優勢 DNN的多樣性還展現在前面提到的各個平行級別上。因此，對於固定的硬體架構，如果以固定方式傳輸固定數量的平行運算元素，執行DNN的效率就會受到限制。例如，如果為了利用輸入特徵圖和輸出特徵圖(IFM-OFM)平行而建構固定的架構，那麼對於深度可分離卷積來說，可能會降低其利用率。特別是考慮到用來創建高效DNN的技術在快速發展，靈活應變能力是在不斷變化的DNN推斷環境中保持高效率的關鍵。 在這種情況下，業界廠商如賽靈思(Xillinx)FPGA的主要特色在於提供的運算和記憶體資源具有靈活應變能力，並能實現大規模細精度平行。該元件支援多種DPU架構，這些架構能夠充分發揮多個平行級別的優勢，並根據特定DNN拓撲結構的要求和應用根據設計限制進行客製。 在FPGA上運作的Soft DPU可以支援上述配置，並且能為每個特定的神經網路客製顯式記憶體管理及算數運算。 圖8、圖9和圖10提供Soft DPU範例呈現出其架構的多樣性。每種架構的主要特色如下： 對於特定的QNN，FINN可生成客製DPU，其中每一層都有專屬硬體，並採用晶片上通道連接到下一層，但會受到元件尺寸的限制。這樣可以為每一層客製精確度與運算資源，進而實現高效能的設計。層間資料流平行有助於實現低延遲與高傳輸量。FINN是可利用的開源程式碼。 圖8　FINN是一種專用於每層運算資源與層間晶片上資料流Soft DPU 圖9　xDNN是一種具有高度可編程設計與效能優化功能的Soft DPU xDNN是一種具有固定精度的脈動陣列可編程設計堆疊架構。該陣列的規則結構支援高度的效能優化。其提供的工具流能夠將任何DNN應用到該架構，無需生成新的位元流或具備FPGA專業技術，即可將xDNN用於評估。 圖10　BISMO為可支援不同算數運算精度且無需重新配置的Soft DPU BISMO是位元串列矩陣乘法的可編程設計堆疊，其透過序列化位精度維度但平行化其他維度，提供一個固定的架構，不但可以利用運作時的可變精度，同時仍然能夠提供高效能。精度更高的層需要更多的時脈週期(Clock Cycle)來執行，而BISMO為一款開源程式碼。 在摩爾定律終結的驅動下，賽靈思使用的AI架構由具有客製指令集的軟體可編程設計AI引擎組成。此外，基於NoC的互連，在布建資源方面更進一步提升靈活性，這對於提高元件利用率來說至關重要。再者，除了神經網路本身，FPGA還可以提供感測器融合和靈活的I/O；FPGA不僅能夠增加電腦視覺的預處理和後處理，還可以為線上智慧提供整合所需的其他功能，使元件適用於使用者的應用環境。 FPGA架構更迭因應各種挑戰 越來越多的應用採用機器學習演算法，為傳統運算架構帶來巨大的運算負擔。半導體產業透過許多代號為DPU的創新架構來因應挑戰。 其中，FPGA可以發揮關鍵作用，在調整運算架構方面提供高度的靈活性，因此不僅適用於一般的機器學習任務，還適用於特定的神經網路拓撲結構。可編程設計元件可以提供客製演算法，實現儲存和運算資源最小化，進而提供進一步的效能擴展性或針對嚴格的延遲要求進行最佳化。最後，FPGA可以在I/O和感測器融合與電腦視覺的預處理和後方面提供高度的靈活性，有利於滿足客戶需求 (本文由賽靈思提供)

然而該方法與此類便攜、輕巧裝置的其他重要要求矛盾，尤其是對小尺寸的要求。本文將探討三種重要的可攜式應用，證明即使需要多個模組，圍繞單電感多輸出(SIMO)核心轉換器客製化的整合式電源管理方法，也能輕易解決此難題。 圖1　無線連接的IoT設備 傳統電源設計難題多 傳統方案通常會使用多個開關調節器及相關電感或多個線性調節器。對於可攜式電源管理來說，SIMO架構可解決傳統方案電源效率低下和尺寸問題。 相較其他方法，該方案可以更小空間提供更高功率，支援更長的電池壽命和更小的外型尺寸。 雖然SIMO轉換器IC在整合度方面有所進步，但可能需要附加功能滿足更複雜的系統要求。這就帶來難題：有沒有可能將核心SIMO轉換器整合各種不同等級的協助工具，進而將整個電源管理系統在單個IC中實現？ 以下的案例分析將SIMO技術應用到三種截然不同的可攜式應用中，進而解決此疑問。 圖2所示為典型的可充電電池系統。有交流插座頭存在時，交流插頭透過充電器為電池充電，同時透過SW2為負載供電；在無插頭的情況下，電池接管，透過SW1為系統供電。由於空間和成本限制，通常須使用多個LDO，同時利用單個開關調節器(BUCK)為最重的負載供電，且可能還需一個或多個LED驅動器，以支援IR遙控或RGB訊號。 圖2　典型耳戴式設備電源流程圖 以下針對三種不同應用對該系統進行客製化。 可充電電池系統實現高效供電 圖3所示為支援可充電電池系統的全整合SIMO PMIC方案，利用兩個升/降壓開關調節器(BB3、BB2)代替LDO(圖2中的LDO3、LDO2)，實現對兩個負載高效供電；第三個升/降壓調節器(BB1)代替圖2中的BUCK；整合的LDO1用於雜訊敏感的負載；而該方案亦整合LED驅動器。最後，圖2中的充電器和開關也整合到圖3中的充電器和電源通路模組中。 圖3　使用SIMO PMIC1的可充電電池系統 使用SIMO開關調節器相較使用線性調節器的方案，前者的電源效率和尺寸優勢較大，透過使用升/降壓調節器，即使在輸入電壓下降到輸出電壓以下時也能進行調節，進而用盡電池能量。 電視或智慧家居等的可充電遙控器皆需電源管理系統，如充電器和紅外線LED驅動器，而SIMO PMIC為此提供使用者不同選擇。 智慧電源通路供電模式 至於圖4所示為PMIC中充電器和開關的配置。智慧電源通路電路在系統(SYS)和電池之間分配功率。當交流適配器作為電源時，輸入控制環路將系統電壓(SYS)調節至4.5V(VSYS-REG)。在此情況下，充電器(電晶體T2及其相關控制)由SYS接腳供電，並為電池充電；而當交流適配器不提供輸入電源時，電池透過T2為IC電路及系統負載供電。 圖4　智慧型電源通路 相比圖2的配置，由於T2既作為線性充電器(有交流適配器時)的傳輸電晶體，又作為開關(無交流適配器時)，因此此配置具有更高的矽效率。 得益於其SIMO開關調節器和高效偏置LDO，小尺寸PMIC(採用2.15mm×3.15mm×0.5mm WLP封裝)以較小損耗提供電源，PCB空間僅為21mm2，不及普通實現方法的一半。圖5所示的方案布局考量到所有被動和主動元件，圖中的PMIC採用一個線性充電器(375mA)、一個三路輸出SIMO升/降壓調節器(共300mA)、一個LED驅動器(425mA)和一個LDO(50mA)，而雙向I2C介面允許配置和檢查元件狀態。 圖5　SIMO PMIC1方案(21mm2) 此外，PMIC在待機模式的電流消耗僅為300nA，優於其他可用方案2倍以上的效率。此種能力及其較高效率延長寶貴的電池壽命，透過使用較小電池有效降低系統尺寸，同時延長兩次充電間的時間間隔。 非充電電池系統　實現多功能監測 圖6中更小的PMIC2可實現非充電電池系統所需的功能。 圖6　採用SIMO PMIC2的非充電電池系統 實際例子如活動監測儀和胰島素筆採用LED實現各種功能，通常由AA型或AAA型圓柱電池供電。 小尺寸PMIC供電適用於活動監測 智慧胰島素計量裝置有助於為胰島素筆加注正確數量的胰島素，並在加注結束時點亮LED，諸如身體活動、癲癇發作和睡眠監測儀等活動監測儀都同手錶般戴在手腕上，將LED發出的光調諧到各種不同頻率，穿透皮膚。 光電檢測器則檢測血液和身體組織反射的調變訊號，提供關於病人物理活動的資訊，如心率、運動和呼吸。 而SIMO PMIC是此類系統的選擇之一。圖7中的PMIC採用1個三路輸出SIMO升/降壓調節器(共300mA)、3個LED驅動器(每個3.2mA)和1個LDO(150mA)，而雙向I2C介面允許配置和檢查元件狀態。 圖7　SIMO PMIC2方案(16mm2) 該PMIC(採用2.15mm×2.75mm×0.7mmWLP封裝)以較小PCB面積(16mm2)實現供電。而圖7所示的方案布局考量到所有被動和主動元件。此外，PMIC在待機模式下的電流消耗僅為300nA，有效模式下僅為5.6µA。 非充電電池系統設計精簡化 圖8中精簡型PMIC3整合3個升/降壓調節器，形成最簡單、較小尺寸的非充電系統實現方法。 圖8　採用SIMO PMIC3的非充電電池系統 最小PIMC適用於鈕扣電池/感測器 考量濕度以及其他IoT感測器要求小尺寸及可靠的電源管理系統，以實現較小尺寸及最長工作時間和保存期限，具低靜態電流的SIMO PMIC是此類應用的良好選擇。如圖9所示的PMIC採用三路輸出SIMO升/降壓轉換器(共300mA)，而雙向I2C介面允許配置和檢查元件的狀態。 該PMIC(1.77mm×1.77mm×0.5mm WLP封裝)以較小PCB面積(14mm2)實現供電。而圖9所示的方案布局考量到所有被動和主動元件。此外，PMIC在待機模式下的耗流僅為330nA，有效模式下僅為1.5µA。 圖9　SIMO PMIC3方案(14mm2) PMIC設計解決電源管理挑戰 本文討論實現電池供電設備的小尺寸和高效率電源管理系統面臨的挑戰，並提出客製化的整合方案，透過將支援既定的複雜電路選擇性整合到單晶片PMIC，可發揮SIMO架構空間及電源效率優勢，並將SIMO技術應用到三種不同的可攜式應用。對於每種情況，該SIMO PMIC皆根據應用客製化，獲得的最佳結果實現較小PCB尺寸和較長電池壽命： ．第一款PMIC(MAX77278) 整合線性充電器、智慧電源通路、三路輸出SIMO升/降壓轉換器、LED驅動器和LDO，是可充電應用的良好選擇之一。 ．第二款PMIC(MAX77640) 整合三路輸出SIMO升/降壓轉換器、3個LED驅動器和1個LDO，為非充電應用提供客製化的方案。 ．第三款PMIC(MAX17271) 整合三路輸出SIMO升/降壓轉換器，專門為小尺寸、精簡型應用客製化。 上述客製化的電源管理實現方案，較大程度發揮SIMO架構空間和電源效率優勢，為可攜式應用提供較小尺寸、較高效率的電源管理方案。 (本文作者皆任職於Maxim)

半導體供應商如亞德諾半導體(ADI)便提供磁阻(MR)位置感測器產品和基於分流器的電流感測放大器產品，可使EPS和電子煞車系統中使用的無刷馬達實現高性能換相和安全運作。 自駕趨勢使安全更被重視 近年來隨著人們對於車輛安全性的要求越來越高，先進駕駛輔助系統(ADAS)也相應獲得進一步發展及推廣，其依賴安全氣囊保護駕駛及乘客安全之傳統被動系統輔助。這些新出現的系統，最初是為輔助駕駛在安全危急情況下作出正確決策，長期而言，則能替代駕駛作出決策。這些技術的進步亦引領汽車朝向半自動和全自動駕駛遞進，使電子控制單元(ECU)代替駕駛作出決策，以及讓執行器負責進行車輛轉向和煞車操控，皆為將駕駛車輛的任務移交給感測器、ECU和電力傳動裝置。此趨勢促使廠商開發更可靠、更智慧、性能更高的額外的電力傳動裝置解決方案，而這些解決方案皆須符合ISO 26262功能安全標準。考量風險的安全標準，其需對危險操作情況的風險進行定性評估，並在元件和系統設計中融入安全措施以避免或管控系統故障、並檢測或控制隨機出現的硬體故障或減輕影響。 這些執行器系統通常使用無刷直流(BLDC)馬達驅動，由於這些系統對安全性相當重要，因此設計人員在設計解決方案的硬體和軟體時，須保證系統能滿足汽車安全完整性等級(ASIL)D級的高標準。 MPS確保馬達控制 無刷直流馬達無電刷觸點，因此需使用馬達位置感測器(MPS)測量定子與轉子間的相對位置，以確保定子線圈按正確順序通電。馬達位置感測器在啟動時扮演重要角色，因為此時微控制器無可用的反電動勢確定轉子和定子的相對位置。 傳統上阻塞換相(見圖1a)由三個霍爾開關組成，其用於指示無刷直流馬達中轉子的位置。由於人們要求提高BLDC馬達驅動器(包括EPS系統)的性能，尤其是降低其噪音、振動和聲振粗糙度等級(NVH)，以及提高其運作效率，因此阻塞換相逐步被正弦換相控制所取代。霍爾開關則可由安裝在馬達軸末端的雙極磁鐵前面的MR角度感測器代替(見圖1b)。在典型的應用中，MPS也被安裝在ECU組合上，而ECU則被整合到馬達外殼，且安裝於馬達軸末端。 圖1　(a)BLDC阻塞換相控制和(b)BLDC正弦換相控制 ASIL等級反映系統安全性 ISO 26262於2011年導入，其作為一種安全標準，以解決與電氣安全相關系統故障可能造成的危害，之後由2018年版所取代。 針對系統建置安全和風險分析，以確定系統的ASIL等級為必要的過程。而ASIL等級則透過審查系統於運作期間潛在危險的嚴重程度、暴露程度和可控性確定(圖2)，例如若人們對EPS系統實施風險和危害分析，可能會得出以下結論：基於這些事件(如轉向鎖止和自動轉向等)的嚴重程度、可控性和暴露性，將這些嚴重事件評定為ASIL D等級；同樣地，對於即將推出的電子煞車系統，則可採用相同邏輯確定不可控事件的嚴重程度，如煞車鎖止或自動煞車。 圖2　ISO 26262 ASIL評級矩陣 根據EPS或煞車系統示例，ASIL D系統評鑑可透過分解子系統實現，如圖3a、圖3b及圖3c所示。 圖3　針對ASIL D系統的ASIL分解方案 每個系統元件不須皆按照ASIL D標準和流程開發，以使ASIL D系統符合規格；但在進行系統等級的審核時，要求整個系統必須滿足要求，且可整合QM、ASIL A、B、C、D等級的子元件組成系統，且系統分解還應確保獨立性，並考量依賴或共因故障的可能性。 傳統EPS系統拓撲架構及潛在問題 典型的EPS系統拓撲結構如圖4所示。EPS ECU根據駕駛施加到方向盤上的轉向扭矩、方向盤位置及車輛速度計算所需的輔助功率。EPS馬達透過施力轉動方向盤，以減少駕駛操縱方向盤所需的扭矩。 圖4　典型的EPS拓撲 馬達軸位置(MSP)角結合相位電流測量資訊，用於對EPS馬達驅動器進行換相和控制。典型EPS馬達控制迴路如圖5所示，所需的扭矩輔助等級因駕駛條件而異，由車輪速度感測器和扭矩感測器決定；扭矩感測器測量駕駛或無人駕駛汽車中的馬達執行器施加至方向盤的扭矩；微控制器隨後使用MSP資料和相位電流資料控制提供馬達所需輔助的電流負載。 圖5　典型的EPS馬達控制環路 MPS感測器故障可能導致或加重系統故障，如轉向鎖止或自動轉向，因此MPS為EPS系統中的重要元件，其中關鍵在系統需能綜合全面診斷感測器故障，以確保在MPS感測器出錯或發生故障時能夠繼續正常運作，而不會發生嚴重的系統故障，或者在出錯時系統能以安全方式停止運作。 電流感測放大器通常用於間接精確測量馬達負載，一般應用於三個馬達相位中的兩個相位，提供額外診斷資訊(可作為整體系統安全保障措施的一環)。 此外，高度準確的馬達位置和相位電流測量可以從系統層面改善EPS馬達的控制性能，實現高效、安靜、平穩的轉向，進而提升駕駛體驗，因此是系統中的關鍵元件。 雙AMR感測器　確保穩定操作 在EPS或其他安全性關鍵馬達控制應用中，可採用不同的方法來使ASIL D符合規格。以下示例便將雙重各向異性磁阻(AMR)馬達位置感測器和像是ADI的電流感測放大器整合到此系統中，以提供所需的性能等級和額外需要，從系統等級實現ISO 26262 ASIL D合規性。 在圖6中，用不同技術(如霍爾、GMR或TMR)的另一個感測器對雙AMR感測器進行完善和補充。雙AMR感測器作為主(高精度)感測通道，第二個不同感測器技術通道有三個用途： ．啟用「三選二」(2oo3)比較，以驗證當與其他系統輸入組合時，其中一個感測器通道是否出現故障。 ．在發生可能性極低的兩個AMR通道都故障的情況下，提供位置回饋。 ．在馬達極數為奇數的情況下，為微控制器提供360o象限資訊，用於馬達換相。 圖6　適用於安全性至關重要的應用的馬達位置和相位電流檢測結構示例 準確的角度測量將繼續由雙AMR感測器的兩個通道提供。額外的系統診斷，如馬達負載和軸的位置，可以從準確相位電流檢測放大器的動態狀態(反電動勢)間接推斷得出。 若查看此感測器架構示例中所有可能的感測器故障模式，可以看出應始終有兩個位置感測器輸入可用於可靠性檢查。即使在兩個AMR通道都因常見故障原因以致同時故障，這種極不可能的極端示例中，仍然可以使用來自輔助感測器通道的降級位置感測資訊，以及電流感測器在動態狀態下提供之反電動勢資訊進行交叉比對，以確保系統基本功能繼續正常運作。 這種系統等級的診斷功能將確保不會發生嚴重的故障模式，並且確保系統實現ISO 26262 ASIL D合規性，之後便可以安全關閉系統的電源，或者轉入跛行回家模式(Limp Home Mode)，以返回經銷商進行維修。 感測器設計改善乘車體驗 隨著用於提高汽車安全性的ADAS推出，以及全自動和半自動駕駛車輛的出現，人們開始要求更可靠、更智慧、性能更高的額外電力傳動裝置解決方案，同時要求需符合ISO 26262功能安全標準。供應商如ADI提供的馬達軸位置和相位電流感測產品，不僅能提高性能，實現更順暢、更高效的馬達控制要求，同時提供在EPS或煞車系統等安全性至關重要的應用中，能夠實現所需的額外高ASIL要求。而ADI提供的ADA4571-2雙AMR感測器為需要額外和獨立感測通道等安全性的重要應用設計，其為一雙通道AMR感測器，整合訊號處理放大器和ADC驅動器。 該產品含兩個AMR(Sensitec AA745) 感測器和兩個放大器訊號處理ASIC；該感測器提供低角度誤差訊號，通常在0.1度範圍內，具備可忽略的遲滯現象、高頻寬、低延遲和良好的線性度。 這些特性能夠協助減少轉矩波動和可聽見的雜訊，幫助實現順暢、高效的BLDC馬達控制。此外，AMR感測器可在飽和大於30Mt的條件下運作，並沒有磁場視窗上限，而且感測器能在高磁場條件下運作，因此解決方案能承受嚴苛環境的雜散磁場。 至於ADI的AD8410電流感測放大器能夠在EPS和其他BLDC馬達控制系統中的分流電阻上測量雙向電流，為高電壓、高解析度和高頻寬的分流放大器，其用於嚴苛環境中提供所需的準確測量、診斷安全性的應用，幫助減少轉矩波動和可聽到的雜訊，實現順暢、高效的BLDC馬達控制(如EPS或煞車)，並改善駕駛體驗。 (本文作者為ADI汽車電氣化部策略行銷經理)

其中如半導體商英飛凌(Infineon)便提供晶片組，適合未來數代EPS使用，包括所有主要的半導體元件，例如電源供應器、微控制器、半橋驅動器、MOSFET、CAN收發器及感測器。以上所有元件都已上市，使用者可由單一供應商的微調晶片組因應所有需求，有助於縮短開發時間及降低成本。 電子動力轉向使用電控馬達輔助轉向。感測器偵測由驅動器觸發的轉向扭矩，然後將資訊轉送至電子控制單元(ECU)，計算所需的轉向輔助，並控制伺服馬達。 為什麼要供應完整的EPS晶片組？目標是提供電子動力轉向系統所有必要的半導體元件，並進行微調使其達到高可用度，實現容錯操作或失效安全操作。結果協調運作的元件，將提供可靠的互用性及整合相容性。其中有一項重點就是保證功能安全，因此所有相關元件不僅要符合最高的汽車品質標準，也必須依據ISO 26262進行設計。 EPS展示器重安全/效能/整合 英飛凌已開發的示範板中包含晶片組元件及機械展示器，可控制6相電動馬達。圖1顯示展示器配置，圖2為示範板及所有晶片組元件。其中包括電源供應晶片(OPTIREG PMIC、TLF35584)、3相半橋驅動器(TLE9183QK)、32位元微控制器(TC23x搭配200MHz及2MB快閃記憶體)、扭矩感測器(TLE4998C8D)、馬達位置感測器(TLE5309D)及角度感測器(TLE5014D)、MOSFET(採用SS08封裝)，以及CAN FD收發器(TLE9251VLE、TLE9252VLC)。 圖1　電子動力轉向應用展示器 圖2　體積小的示範板搭配EPS晶片組 展示器的所有使用的元件都妥善搭配，並設計提供高度的功能安全、能源效率及整合密度。例如EPS系統預先指定使用安全電源供應器，並提供對應的監控及保護功能作為ASIL D功能，此外也獲得橋式驅動器支援。所有系統使用的感測器均依據ISO 26262設計，提供高測量精度。AURIX系列強大的微控制器可選擇用於效能、快閃記憶體容量、計時器架構及周邊設備。 此外，MCU具有獲得ISO 26262支援的整合式安全/維安概念、硬體備援及硬體安全性(HSM模組)。最後，MOSFET提供非常低的導通電阻(40V時RDS(ON)為0.9m)，以及良好的切換效能，採用小巧堅固的封裝(SS08或sTOLL)。 該展示器架構為6相系統，具備兩個獨立隔離的3相子系統，提供所需備援(圖3)。因此雙感測器、電源供應晶片、微控制器、半橋驅動器及MOSFET半橋，可由兩個獨立電池供電運作，實現容錯操作系統。兩個子系統互相獨立運作，每個系統提供一半扭矩至整個EPS系統。如果發生故障導致一個子系統失效，另一個子系統會按照比例接手EPS功能。 圖3　以EPS晶片組為基礎的備援展示器架構方塊圖 感測器備援系統提高車輛功能安全 為了確保車輛具備高度的功能安全，需要具有備援的系統分割，以及高效可靠的感測器。這是唯一確保高可用度的方式，藉此讓系統在元件故障時仍舊維持完整功能。因此電子動力轉向系統的感測器，不僅要非常精準，也必須確保功能安全。這裡使用的感測器可於ISO 26262系統中應用。像是英飛凌便因應感測器備援需求，將兩個感測器整合在雙感測器封裝中(圖4)。 圖4　TLE4998C3D、TLE5014D及TLE5309D等雙晶粒感測器，有助於簡單高效的備援實作 而線性霍爾感測器TLE4998C8D可確保精準偵測轉向時的扭矩，較精確地掃描線性或角度位置，並以數位方式補償溫度和機械應力，確保在整個溫度範圍及使用壽命期間，都享有良好的穩定度。通訊協定可讓控制單元傳輸測量資料，TLE4998C8D以SPC(短PWM代碼)通訊協定整合兩個可獨立編程的線性霍爾感測器IC。為了彈性使用，使用者有多種介面可供選擇(SENT、SPC、PWM僅為單晶片)。 TLE5014D角度感測器也是雙晶片版本，有助於在系統設計中輕鬆實作所需備援；感測器可在完整的溫度分布及使用壽命期間，精準地運作，是動力轉向應用的理想選擇之一。感測器會預先設定，並針對溫度預先校正，協助使用者輕鬆實作。使用者也可在此選擇不同介面 (SENT、SPC、SPI及PWM)。 雙感測器晶片TLE5309D在單一封裝結合AMR及GMR感測器，並具備診斷功能。雙GMR/AMR角度感測器可在關鍵安全馬達應用中，用於類比角度位置偵測。TLE5309D結合精確的AMR感測器，以及GMR感測器寬廣的360度量測範圍。感測器具備低傳播延遲(小於9微秒)，能夠因應電動馬達及電子動力轉向系統中有關速度及精度的要求。此外，感測器也能在70微秒內快速啟動，總耗電量也相當低。 半橋驅動器電源供應器及電壓監控 安全相關系統也需要監控電壓供應，以確保系統元件功能。電源供應及監控裝置TLF35584(圖5)可在遵循ISO 26262至ASIL D的情況下支援ECU設計。TLF35584相關的主要監控功能包括：產生供應電壓的欠電壓/過電壓監控、微控制器的外部看門狗(Watchdog)監控，以及AURIX MCU安全管理單元的外部監控。透過「安全狀態」輸出，讓系統享有不受微控制器影響的關斷路徑，就可整合監控前述監控功能的狀態；電壓監控則由自我測試(BIST)支援。 圖5　針對AURIX微控制器及感測器最佳化的TLF35584QK/QV安全電源供應器，是EPS應用的選擇之一 TLF35584透過獨立控制器輸出向控制器提供電壓，並提供監控電壓用於微控制器(3.3V或5.0V，可選擇)、類比數位轉換器(ADC)、待機控制器、多個收發器及感測器。感測器可使用兩個獨立的追蹤器輸出，是設定安全相關感測器系統的必備項目。電壓調節是以包含DC/DC預穩壓器及線性後穩壓器的架構為基礎。為了支援冷啟動相關系統，TLF35584提供選用的升壓轉換器以便穩定輸入電壓，並可擴大功能範圍達到3V電池電壓。 TLE9183QK 3相半橋驅動器IC也是依據ISO 26262開發，具有各式各樣的保護及監控功能，包括「緊急操作模式」(Limp Home)功能。功率循環可由0調整至100%，沒有限制。其他功能包括三電流感測器放大器、低靜態電流運作模式，以及相位電壓回饋功能搭配SPI可編程閾值。 安全微控制器具高度擴充與即時能力 AURIX系列的32元多核心微控制器，是依據傳動系統及汽車安全應用需求量身打造。該系列產品具備高度擴充能力(單、雙或三核心、80至300MHz、0.5至8MB快閃記憶體等等)，並以多種封裝選項供應。AURIX 系列具備高度即時能力，整合安全/維安功能，是各種汽車應用的平台選擇之一。其中包括引擎控制單元、變速箱控制、電動車與油電混合車控制，以及懸吊系統、煞車系統、電子動力轉向系統、安全氣囊與駕駛輔助系統。 該架構開發程序遵循ISO 26262規範，其設計方式能以非常高效的方式實作ASIL D安全需求。微控制器結合多核心架構，以及專業的安全技術，例如安全內部通訊匯流排，以及分散式記憶體保護系統；特殊保護機制可整合不同應用領域的軟體，讓多項應用程式及作業系統在AURIX平台順利執行，即使ASIL等級不同也沒問題。此外也整合硬體安全模組(HSM)，提供高度保護避免遭到操控。 市場追求可用度及可靠度高線控轉向 英飛凌自2019年年中開始供應完整的EPS晶片組將，此外之後也規畫提升效能、整合密度(更多功能，縮小封裝尺寸)及進一步加強EMC耐受度，搭配新型微控制器(新一代AURIX微控制器)、電源供應IC、半橋驅動器及感測器，用於未來的EPS晶片組產品。 至於未來的自動化階段方面(第三級以上)，電子轉向需求將增加。一般預期市場未來出現的轉向系統，不會採用目前在方向盤與轉向裝置之間使用的機械耦合。這種線控轉向(Steer-by-wire)概念需要更高的可用度及可靠度，該公司EPS晶片組以此為方向，企圖實現具未來性的轉向系統設計。 (本文作者Goran Keser為英飛凌科技汽車系統工程部門嵌入式軟體及演算法資深經理；Christoph Unterreiner為英飛凌科技汽車微控制器合作關係管理資深經理)

與傳統USB標準相比，USB Type-C介面以更高的功率水準和更高的速度提供電源和數據交換。如表1所示，USB Type-C系統的優勢之一是能提供較大的電能給連接裝置。相比之下，傳統USB的最大供電電壓及電流被局限在傳統協議的5V/1.5A，因此僅能提供7.5W，而USB Type-C能夠提供高達5V/3A，最大15W的功率。另外USB Type-C可配合充電協議USB Power Delivery 3.0，依照負載的需求使其輸出電壓提升為12V、20V。若單純使用在電能傳輸上，最大輸出電流與瓦數的規定可配合大功率裝置的需求提升至5A及100W。由於輸出功率的提升，因此在許多行動裝置應用中例如手機，可以實現「快充」的技術，節省裝置的充電時間。 表1  傳統USB和USB Type-C標準比較表 「快充」的主要原理是在合理範圍內提高手機充電功率，為電池迅速補充大部分的電量。因為功率與電壓和電流大小呈正相關，因此藉由提高連結硬體介面的電壓及電流可以達到提升充電功率的效果。目前USB-C支援的USB Power Delivery 3.0充電協議，允許電壓和電流最高可達20V/5A。此外，新的USB-PD 3.0協議還支援可編程電源(PPS)，可以對輸出電壓和電流進行微調，甚至允許電壓低於5V，以供給其他低電壓裝置的需求。 返馳式轉換器遍及USB電源供應器應用 由於USB Type-C的發表，傳統電源供應器有了進一步的發展。常規的USB電源供應器僅提供固定的輸出電壓和相對較低的功率水準。但是，具有全新的USB Type-C硬體介面標準及充電協議USB Power Delivery 3.0的電源供應器，可支援各種範圍的輸出電壓和更高的功率水準。如圖1所示，搭配USB Power Delivery 3.0的電源供應器可為手機、平板電腦或筆記本電腦提供5V-19V DC輸出電壓。 圖1  USB-PD應用示例 現今市場上小於100W的USB電源供應器應用中，返馳式轉換器(Flyback...

舉例來說，如ILSVRC影像分類競賽(圖1)，在這場競賽中即是使用一種稱為機器學習(ML)的人工智慧─AlexNet早在2012年就贏得這場競賽，成為第一個使用深度神經網路和GPU來進行訓練的模型；而ResNet-152在2015年的影像分類競賽中亦擊敗人類。 圖1　影像分類中機器與人類的比較 電腦優於人類的其他範例還包含遊戲，表1中的範例是機器擊敗人類冠軍以及人類仍較優秀的非競賽情境。 機器學習無疑為智慧家庭、智慧零售、智慧工廠和智慧城市之類的應用情境帶來全新美好的必要功能，且現今各種企業都能利用這項技術。運用此技術的相關機器學習雲端服務供應商有亞馬遜(Amazon) AWS、SageMaker、微軟(Microsoft) Azure ML和Google Cloud ML，而這類機器學習雲端服務的成長都極為驚人。 邊緣執行ML流程簡化 直到最近，因為推出各種運算和儲存資源，機器學習的重心都集中在執行大量集中式電腦中心的雲端，其快速移轉至邊緣有以下幾個原因： ．雲端處理、儲存空間與頻寬的成本無法將資料傳送到雲端，以執行人工智慧功能的決策。 ．較完善的使用者體驗需要在邊緣進行快速的人工智慧功能決策。 ．隱私權和安全性考量會限制在雲端中儲存的資料類型。 ．提升可靠性。 以上這些因素讓邊緣無庸置疑成為機器學習處理許多應用的顯著位置。這也是半導體廠商推出運用專屬高效能機器學習加速器之應用處理器的原因之一，像恩智浦(NXP)的i.MX 8M Plus使用14nm FinFET製程技術，提供高效能與低功耗，並具備雙鏡頭ISP在內的各種新功能，可支援兩個低成本的HD相機感測器或一個4K相機感測器，以執行臉部、物件和手勢辨識的機器學習任務。其中也整合獨立800MHz Cortex-M7來支援即時任務與低功率、H.265和H.264的影片編碼和解碼、800MHz HiFi4 DSP，以及用於語音辨識的8PDM麥克風接口。工業物聯網功能包含Gigabit乙太網路與時效性網路(TSN)、兩個CAN-FD介面和ECC。 另一方面，資料科學家正為在邊緣上部署的資源限制裝置最佳化特定演算法，進而協助加速移轉到邊緣。MobileNet是由Google開發的影像分類演算法，著重在高準確度，同時又能大幅減少所需的運算資源數量。圖2中顯示處理過程中大幅減少的趨勢。從VGG-16模型到MobileNet v2模型的轉變讓在邊緣所需的運算數量減少50倍，協助在邊緣的資源限制硬體解決方案，執行複雜的機器學習處理。 圖2　針對邊緣最佳化的NN演算法 同樣地，使用行動電話在邊緣執行MobileNet v1比起在雲端中執行MobileNet v1的速度明顯更快，此差異的成因是將雲端網路延遲降到最低，而網路往返延遲的新增範圍可以輕易橫跨200毫秒到超過1.4秒(大幅延遲回應時間)。該演算法的目標是達低於100毫秒的回應，以即時向使用者顯示(圖3)。 圖3　在邊緣更快速的使用者體驗 以下是i.MX 8M Plus支援的應用程式，這些應用程式會在邊緣執行機器學習。如圖4所示，這些使用案例都需要特定層級的效能來判斷需要哪種層級的執行硬體。這就是應用處理器須具備專屬機器學習加速器的主因。 圖4　機器學習使用案例 因為上述原因，便可較易理解為何要在邊緣執行機器學習應用。然而，必須符合幾個額外需求才能順利完成部署： ・機器學習開發人員的生態系統─讓實作變得簡單。 ・硬體安全性─保證隱私權與安全性。 ・全新、創新的混合SoC架構─提供符合成本效益的解決方案。 ・可擴充和安全的邊緣部署─讓部署變得容易。 打造適用於機器學習部署的全面性生態系統 機器學習應用的重大突破需要結合設計與部署的生態系統來負責處理任務，這也是半導體業者打造創新邊緣智慧工具環境的原因，以恩智浦eIQ為例，該工具支援各種機器學習處理元件，包含Arm Cortex-A和Cortex-M處理器、圖形處理器(GPU)、DSP和機器學習加速器。eIQ機器學習軟體環境包含推論引擎和程式庫，兩者皆利用開放原始碼機器學習技術中的改善技術，像是TensorFlow Lite、OpenCV、CMSIS-NN和Arm NN；而針對較熱門的i.MX RT應用處理器，則透過適用於MCUXpresso和Yocto(Linux)的開發環境進行評估，為應用開發過程提供順暢的支援；在物件偵測和語音辨識中的範例應用程式中會隨附eIQ軟體，作為邊緣機器學習的起點(圖5)。 圖5　eIQ機器學習開發環境 確保邊緣安全性 邊緣的安全性至關重要，其所需的功能包含安全啟動信賴起點、晶片內建加密、安全布建、相互裝置驗證、安全裝置管理、OTA或無線安全更新與生命週期管理。為了支援這樣的安全性，半導體業者打造了可擴充的EdgeLock組合，其中包含安全元件、安全驗證器和應用處理器的嵌入式安全以及MCU。像是i.MX 8M Plus具備進階EdgeLock嵌入式安全系統(含資源網域控制器、信任區、HAB、加密啟動、使用RSA的公開金鑰加密與橢圓曲線演算法)，其可為邊緣節點提供完整性、驗證確實性和隱私，並提供從邊緣到閘道和雲端的安全性。 AI/ML領域更迭不斷　加速人們生活便利性 人工智慧領域的變化步調正逐漸加快。如圖6來自「2018年人工智慧指數」和Monster.com所示的圖表呈現深度學習職缺方面的趨勢。 圖6　2015~2017年所需人工智慧技能的職缺成長 至於圖7則顯示在公司盈餘會議中提到人工智慧和機器學習的次數。 圖7　2007~2017年公司盈餘會議提到次數-IT公司 人工智慧與機器學習為電腦產業中帶來劇烈的改變，這樣的改變可使人們的生活更便利完善。新應用處理器如i.MX 8M...

可為駕駛提供幫助，並能夠提高道路安全性的高級駕駛輔助系統現在已整合到入門款車輛，成為汽車世界中的常見技術。全自動駕駛汽車(包括測試汽車)經常會成為新聞頭條，尤其是在自動駕駛車輛發生事故後。這些複雜系統在準備批量生產前還有很長的路要走，但可肯定其會於不久的將來成為現實。 汽車雷達感測易受干擾 能夠偵測附近物體的感測器是自動駕駛汽車的關鍵元件，這些包括攝影機和雷射雷達感測器，尤其是雷達感測器更為重要。現今每年生產數以百萬計的汽車雷達，為高階車輛中的標準裝置。汽車雷達感測器主要用於提高駕駛舒適性和預防事故，大多支援主動車距控制巡航的雷達感測器均在76GHz至77GHz頻率範圍(1GHz頻寬)內運作，用以感測遠處其他車輛和物體。汽車雷達要實現一些先進功能，特別是能夠感測附近物體的功能，如變道輔助和盲點偵測等，需要其於77GHz至81GHz頻率範圍內運作，以更大頻寬才能實現所需高解析度；且高達81GHz的擴展汽車頻段有助於減少無線電干擾。 由於汽車外觀比功能更重要，汽車雷達通常被雷達罩覆蓋，該雷達罩由對RF訊號透明的材料製成。汽車散熱器格柵上的標誌通常用於雷達罩用途，塑膠保險桿也是雷達良好藏身之處。過去標誌主要用於推廣品牌，而無其他重要作用，但現可作為雷達天線罩，因而更像RF零組件。若於設計中不考量此點，則可能對標誌後的雷達探測性能及準確性產生不利影響。 尤其是具有局部材料厚度變化的三維形狀品牌標誌可能會導致在毫米波段運作時導致出現RF性能問題。保險桿通常塗有金屬漆，可減弱高頻訊號。因此為確保雷達可靠性，必須驗證天線罩的材料屬性並檢查其對雷達訊號的影響。對自動駕駛而言，汽車感測器的不確定性和風險皆無法接受，基於以上產生的錯誤皆無法透過後續處理而充分糾正。因此車輛製造商及其供應商需要全新量測功能，以便評估天線罩雷達一致性。 雷達偵測精準度受多方影響 汽車雷達感測器主要使用頻率調變連續波(FMCW)訊號。由於傳播延遲和都卜勒(Doppler)頻移，這些感測器可量測並解析多個目標的距離及徑向速度。根據天線陣列特性，還可量測和解析方位角甚至至仰角。在偵測及追蹤後，感測器電子裝置處理訊號以生成目標參數清單，其中包含物件量測位置、速度以及類型訊息(行人及汽車等)。此清單將被發送至車輛電子控制單元，用於即時決策車輛操控。因此該資料的準確性和可靠性對車輛及乘客安全極為重要。 雷達精度取決於多因素，如硬體零元件、軟體處理和雷達回波本身。具有低訊噪比(SNR)的訊號回波參數無法像高SNR訊號一樣精確量測。此外，諸如多路徑傳播和天線罩等引起的失真也大幅影響量測精度；方位角量測誤差會導致目標看起來與實際位置有偏差，如圖1所示。雷達感測器角度量測誤差僅為1O，將導致100m外的目標看上去橫向偏移1.75m，以致被誤認處於不同車道。為確保可靠運作，在此距離下角度量測誤差須遠小於1O。 圖1　由於方位角量測錯誤，未正確檢測到目標位置，自動駕駛車輛控制器可能會做出致命動作。 天線罩選用決定雷達偵測精度 圖2顯示基於實際汽車零組件量測結果得出的方位角偏差影響，其中商用汽車雷達與靜止目標距離為12.4m，角度為11.5O，該圖顯示不同天線罩如何影響雷達的橫截面和入射角。以A區顯示值(無天線罩)也在此提供用於比較；可以看出當使用合適天線罩(B區)時，對入射角的估算無影響，但雷達橫截面會以兩種方式減小(在此狀況下約為2dB)；若使用不合適的天線罩(C區)，相對於比較量測值，平均雷達橫截面下降約4dB，使其難以偵測弱反射目標。不合適天線罩對偵測入射角的影響亦明顯。在恆定11.5O時無法看見，但在11.5O和11.7O間交替變化時則可顯示，因此訊號處理電子裝置不會獲得明確值。使用該天線罩，汽車雷達無法達到0.1O的目標精度。 圖2　不同天線罩對雷達橫截面(RCS)和入射角影響，不相容天線罩會導致角度誤差。 多因素考量輔助雷達校正 現代雷達感測器在接收器前端通常具有天線陣列，透過量測由相控陣天線波束成形獲得的相位和振幅比確定方位角(有時還可確定仰角)。為獲得最佳方位角精度，必須單獨校正每個雷達感測器。以下是雷達校正的典型程式：首先將感測器安裝在消聲室內轉盤上，遠場中已知距離的角反射器通常作為參考目標；量測雷達方向圖並將其儲存於感測器記憶體(Memory)中，再由偵測演算法使用，於訊號處理過程中校正演算，並於運作期間完成。 車輛製造商通常在標誌或保險桿後方將校準的雷達感測器整合至車輛。由於訊號必須在到達目標和從目標返回過程中兩次穿過天線罩材料，因此天線罩材料對於RF傳輸訊號的減弱出現兩次。從以下分析可看出其減小雷達偵測範圍。 根據訊號傳播定律，訊號傳輸後功率與距離r的平方成反比，代表在訊號往返過程中，其功率將減小因數1/r4。對於具有3W輸出功率、25dBi天線增益、雷達目標橫截面為10m，而訊號偵測臨界值為-90dBm的77GHz雷達使用此等式，配置最大範圍為109.4m。若天線罩雙向減弱為3dB，則同一雷達最大距離將減少16%，僅為92.1m。 但材料減弱並非減低雷達性能的唯一因素，天線罩材料的反射率和均勻性也很重要。例如塗漆中金屬顆粒的反射以及基礎材料的射頻失配會在天線罩內(即靠近感測器位置)產生干擾訊號，後者於接收器鏈路中被接收和下變頻，進而降低雷達偵測靈敏度。許多汽車製造商試圖透過傾斜天線罩減輕此影響，使發射的雷達訊號反射至其他處，而非直接回到接收器前端。但此種解決方案會受設計限制，且無法消除導致RF能量損失的寄生反射。 另一個問題則是，天線罩中夾雜物和密度變化等導致材料不均勻，會干擾出射和入射波前，因而可能失真，並降低角度量測準確度。雷達感測器校準無法補償此種影響，因為即便雷達校準後也可能安裝在不同製造商的天線罩後面。 傳統黃金裝置偵測死角易現 天線罩製造商通常使用參考雷達(黃金裝置)測試其產品。對於這種測試，將角反射器以事先預定距離和方位角安裝在雷達前面(圖3)，分別在有和無天線罩的情形進行差動量測再加以比較。若雷達測定距離和方位角以及回波訊號在指定範圍內，天線罩測試始合格。但此方法僅檢查特定方位角，易錯過天線罩中有問題的區域。另一種量測方法以類似方式操作，但僅需一個反射器—將雷達感測器和天線罩安裝至轉盤，以不同角度重複量測，可從轉盤讀取實際角度(地面真實狀況)並與雷達測得角度比較。該方法與轉盤定位精度一樣精確，但因測試需長時間故不適用於生產線測試。 圖3　使用黃金裝置的典型測試設置。 天線罩測試儀克服傳統限制 有方案能克服傳統方法的局限，像是羅德史瓦茲(R&S)QAR汽車天線罩測試儀(圖4)使用具數百個發射及接收天線的大型面板代替具微小天線陣列的黃金裝置，這些天線在75GHz至82GHz的擴展汽車雷達頻率範圍運作，使汽車雷達綜合數百個天線資料；由於具大孔徑，可憑藉更高解析度(mm範圍內)量測距離、方位角和仰角，使量測結果(即反射率)顯示為X射線影像，即便測試及量測經驗受限者也可立即進行品質評估。與使用真實雷達量測不同，此方法毋需費時量測順序以確定天線罩特性，只需一次時程即可獲得結果，類似使用攝影機拍照。 圖4　R&S QAR汽車天線罩測試儀。DUT安裝在操作台前邊緣，桌台上的藍色裝置包含用於傳輸量測的可選mm波發射器。 被測天線罩放置於面板前的指定區域，可進行兩種量測，一種用於確定被測裝置(DUT)反射率，另一種用於確定透射率。 首先進行反射率量測以確定天線罩材料反射多少能量，此能量無法透過天線罩。如上所述，反射訊號會降低性能，甚至損害正確運作。由於各種原因，某些區域可能具有較高反射率，如材料缺陷、空氣夾雜物、不同材料層間的有害相互作用或某些材料組分過多等。透過根據幅度和相位連貫使所有反射訊號連接，該量測方法提供空間分辨量測結果，而視覺化結果能直觀、定量評估DUT反射特性。 圖5　反射率(左)和單向衰減(右)的高解析度mm波影像。標誌中的白色輪廓表示測試發射器或雷達輻射橫截面，該區域用於評估。 圖5中高解析度雷達影像顯示演示用天線罩(圖6)覆蓋下雷達感測器看到的影像，亮度水準代表反射率、區域越亮、反射雷達訊號越多；金屬物體(四角螺釘)顯示為白色，標誌清晰可見的輪廓顯示局部高反射率和非常不均勻的整體影像；標誌區域中較大的0.5mm厚度足以大幅降低雷達性能。 圖6　演示天線罩，僅在天線罩主體表面上方突出0.5mm，即便厚度微小增加也會導致在77GHz時失配。 此示例中天線罩中間部分平均反射率為-11.0dB，標準差為-18.2dB，在許多使用場景中此值過高，無法確保雷達可靠操作。實際上預期反射率取決於雷達單元靈敏度和欲覆蓋的最大偵測範圍。 接下來量測天線罩材料的頻率匹配及衰減。位於DUT後的發射器在選定頻率跨度掃描，可精確評估天線罩的發射頻率回應，回應可提供有關DUT用於雷達操作確切頻段上RF匹配的詳盡訊息，其與雷達使用的實際訊號波形無關，因此對可安裝在天線罩後的雷達均有效。圖6右側圖則顯示演示天線罩的量測結果，由於76GHz至79GHz之間的高波紋度，該天線罩不適用於在該頻段操作的雷達。 若使用汽車行業真實3D天線罩的傳輸量，可測得圖7中類似鋸齒狀的曲線，該天線罩會遇到各種性能問題： 頻率匹配位於不太有利的71GHz左右而非於76GHz，是因某些天線罩層厚度增加所致；79GHz頻帶中不穩定的減弱變化表明駐波比顯著增加，表示天線罩邊界處反射及強烈干擾效應；總體單向(One-way)衰減相對較高，將導致偵測範圍顯著減小。 圖7　在一個複雜3D設計商用多層天線罩上進行的透射率量測。 準確感測實現安全自駕 自動駕駛需可靠雷達正確無誤偵測周圍區域物體，可行性取決於雷達品質及其安裝狀況。雷達安裝在品牌標誌或保險桿後，車身部件(天線罩)會減弱訊號，以致無法偵測物體或於錯誤位置偵測到。當下此類部件不僅需滿足其原始目的，且須具備特定RF特性，並以準確實用的量測方法驗證。相較黃金裝置，此測試儀能更快、更易評估汽車天線罩品質，不僅量測DUT的RF透射率，進而帶出天線罩設計的基本適用性，並量測反射率而視覺化為X射線影像，亦可讓非專業人員進行可靠合格/失效評估，對於生產線終端測試尤為重要。 (本文作者皆任職於羅德史瓦茲)

感知系統工程師以人工方式標示影片中的物件，再為自駕感知系統編程，做出正確回應的過程耗時又昂貴，因此以人工方式辨識和標示每個邊緣案例，並非合理做法。此時ANSYS SCADE Vision便能派上用場(圖1)，其為一種以全像(HologrSam)為基礎的軟體工具，能迅速且有經濟效益辨別數百種潛在邊緣案例，以解決AI支援感知系統中既有的弱點，感知工程團隊可進而取得時間、成本及安全優勢。根據最早採用此創新科技的業者表示，該軟體工具偵測邊緣案例速度可達人工的30倍。 圖1　感知工程師透過SCADE Vision偵測案例，進行安全分析 感知系統扮演AI核心 以近期科技發展而言，很少有比自動駕駛車、飛機、無人機和機器人更能激發媒體與大眾想像的事物，因為這些自駕系統運用極端複雜又涉及高度工程專業的AI和機器學習，為生活帶來革命性的變化。 雖然自動駕駛車或機器人的每個零件都有重要功能，但其中感知系統最關鍵，系統必須正確看到、辨識及回應周遭環境的數百種元素，藉此複製人類視覺和認知。 當感知系統出錯時，便可能威脅生命，因此工程師在設計系統時，會將其編列成車道標示、紅綠燈和行人等常見物件，工程團隊再針對如何回應這些物件進行定義和編程，像是啟動剎車系統或將車輛轉向至道路中間。不過無論工程師再如何細心徹底研究真實世界路況，並定義常見物件，但必定會出現失誤，導致產生感知系統潛在弱點，例如乘坐嬰兒車的小嬰兒或使用輪椅的成人，感知系統可能難以辨識不尋常的大小及生理輪廓，霧氣或眩光等天氣和照明效應也可能混淆感知系統，將其詮釋為實體物件而非光學現象。此類事件因難以分類及解決，因此被稱為「邊緣案例」。 此類問題需增強以AI為基礎的感知系統能力，以便在遭遇邊緣案例時正確辨認和回應物件，對自動駕駛車和機器人的安全可靠作業而言至關重要。在人們未能成功解決邊緣案例前，皆無法確保自駕系統在關鍵狀況下的效能(圖2)。 圖2　SCADE Vision透過記錄駕駛經驗關鍵區域及確認邊緣案例，以便替AI感知系統編程，以辨識這些非典型物件和形狀 人工篩選成本所費不貲 以往感知系統開發者的作法是，讓軟體工程師觀看數百小時實際駕駛拍攝的影片，辨別及處理邊緣案例。 這些開發者會標示每個不尋常物件或邊緣案例，再替AI感知系統編程，確認實體物件並做出適當回應。人工除錯流程需大量投資，實際上要徹底觀看560小時的影片，可能需2,100小時，非常昂貴且耗時；不僅拉長自動駕駛車開發時間以致競爭劣勢，亦會大幅增加高額的自動駕駛車認證作業成本而侵蝕利潤，如有家大型車廠曾公開表示聘用1,500人觀看和標示實際駕駛影片，每月人工標示影片超過百萬個畫面。 考量自動駕駛車有如此龐大商機，如此時間和人工成本不符合商業效益，但只有當感知系統能通過大範圍操作設計領域(Operating Design Domains, ODDs)的測試和驗證，例如在多元化用路人、各種天候和照明狀況，及多種路況情境下，才可能推出全方位自駕產品。基於此因，可以印證自駕車市場的未來與成本效益及感知問題息息相關。 感知系統分析使效率最大化 為考量感知系統開發者實際需求，ANSYS回應上述挑戰並設計SCADE Vision解決方案。此方案能自動偵測系統弱點，將邊緣案例和認證感知系統成本最小化；透過檢視感測器影片資料，同時執行AI感測系統演算法，進一步擴大關鍵區域分析，其目的為複製部署系統時將碰到的多種狀況，在不需人工的情況下自動辨別及標示任何異常。 該方案引擎一旦分析視聽(Audio-visual, AV)資料庫，使用介面便會協助分析師，建議將感知軟體的可能缺失部分分類為觸發事件或根本原因，以此辨別系統弱點。 該解決方案會自動針對感知演算法開發和安全團隊生成報告，內容包括處理主要觸發事件的修正行動建議，以及缺失範例及相關影像，有助於組織分析結果，有利於與AV感知軟體開發團隊和虛擬回饋循環(Virtual Feedback Loop)內的其他相關人士溝通。至於使用該解決方案的效率，若以10輛車的車隊一天收集資料八小時、一周七天為例，合計560小時的影片，開發團隊利用自動化分析將人工分析所需的2100小時縮減至60小時，不僅將篩選時間加快30倍，也將人工成本減少約24.5萬美元。長久下來，這些優勢對開發和確認自駕汽車或飛機的速度可能產生關鍵性影響。 SCADE Vision會區隔駕駛數百小時捕捉到數百張畫面中的邊緣案例，再將影像編程納入以AI感知軟體，過程快速，緊接著自駕系統開始學習在遭遇邊緣案例時的回應方式(圖3)。 圖3　ANSYS SCADE Vision可以自動偵測和標示數百小時影片中值得關注的地方，不需人工介入 多效益克服辨識難題 現今軟體任務很少針對AI支援感知系統而開發，如自動駕駛車、飛機和機器人等複雜或具關鍵重要性的問題。 此外，過程消耗許多時間和資源，諸多企業皆在爭取率先推出前瞻性自駕產品上市。 此方案可提供以下附加效益，力助開發團隊克服重大障礙： ．更安全/更精確感知： 軟體工具針對感知系統固有問題設計，使效能更一致可靠，若配合傳統影片捕捉和道路測試，可最大化系統安全信心。 ．更快實現產品價值： 軟體工具除了改善感知系統效能品質，還能加速開發週期，相較於人工分析需數千小時，自動辨認邊緣案例的相關影片畫面只需數十小時。 ．放大工程資源： 對稀有的工程資源而言，以人工檢視數十小時影片為低價值的操作方式。軟體工程師可將該程序自動化，將時間和注意力放在更有策略性的加值任務上。 ．提升產品開發流程： 自駕載具系統認證是自動駕駛車、飛機商業化及上市主要挑戰之一。該軟體工具可排除多個小時的單調人工作業，替認證程序再充能，創造有意義的競爭優勢。 ．大幅節省成本/改善利潤： 媒體多聚焦於自動駕駛車、飛機和機器人開發、測試和辨識的高額成本上。市場領導業者在爭取率先推出產品上市之際，已成為承擔高風險的賭徒。該方案可加速並自動化解決真實邊緣案例問題，排除數千小時的人工作業時間並大幅降低成本。 現今全球的注意力都聚焦於自駕產品的挑戰。全世界每家汽車、飛機和機器人產業的企業莫不急切盼望率先推出經過認證、失效安全(Fail-safe)的自駕產品系統上市。若要保障自動駕駛車、飛機和機器人在各種潛在運作環境下皆能提供安全可靠的效能，必須克服許多工程挑戰。 好消息是，眼下此解決方案能助企業減輕AI感知系統的基本工程問題。SCADE Vision可將辨別邊緣案例過程自動化並大幅加速，排除整體開發週期重大時間和金錢成本。 最早採用此類創新科技的業者指出，偵測邊緣案例的速度可達人工方式的30倍，帶給其先馳得點的重大優勢。 (本文由ANSYS提供)