基于贝叶斯加速硬件的视觉场景认知类脑计算研究

Visual scene cognition plays an essential role in studying the human cognition mechanism and developing intelligent engineering applications. The fast-growing deep learning technology has made major success in visual scene recognition, but cannot meet the goal of visual cognition. The Bayesian approach is considered as a promising theory toward understanding and constructing human-alike high-level cognitions. However, visual scenes can be highly complex and the respective Bayesian computing requires a significant amount of probabilistic computation, which is beyond the capability of current computer architectures. In this proposal, we investigate the hardware accelerators for brain-inspired computing and develop the corresponding programming models and algorithms for visual scene cognition. Instead of building biologically-plausible brain computing hardware, which is still under intensive disputation, this work innovatively proposes a new hardware accelerator architecture supporting native Bayesian computing patterns so as to support brain-inspired cognition behaviors. The algorithms and hardware platforms proposed in this work will be validated by typical visual cognition applications such as automatic train driving process. The results of this work provides a new path for visual scene cognition and brain-inspired computations.

视觉场景认知对理解人类认知规律和工程应用具有重要意义。深度神经网络在视觉物体识别领域取得巨大成功，但不能满足认知需求。贝叶斯认知理论被普遍认为是理解和构造人类高层次认知应用的基本理论。然而贝叶斯计算以概率计算为基础，现有计算机体系结构无法提供视觉大信息量下的高效随机运算能力。本项目面向视觉场景认知导向的低耗高效类脑计算需求，利用集成电路优势，研究基于贝叶斯加速硬件的视觉场景认知类脑计算技术，构建面向视觉场景认知的类脑计算编程模型，建立针对类脑计算的高性能贝叶斯加速硬件体系结构，并研究贝叶斯随机计算的并行优化。不同于生物仿生方式，本项目创新性地构建一种新的贝叶斯加速硬件体系结构从算法基本进行类脑计算，从而支持类似人脑的视觉场景认知能力。项目研究将选用列车自动驾驶等视觉场景认知过程进行试验验证。本项目研究有望为视觉场景认知实现提供新的技术路线，为机器认知的类脑计算过程提供新的方法参考。

视觉场景认知对理解人类认知规律和工程应用具有重要意义。深度神经网络在视觉物体识别领域取得巨大成功，但不能满足认知需求。视觉场景认知是在对环境空间物体感知与识别的基础上形成对场景中物体的理解以及对客观场景解释的过程，其认知结果为完成更高层次的智能行为提供决策依据,同时也是移动机器人、自动驾驶汽车、智能交通系统等系统运动导航、安全监控、视频分析的前提。本项目拟针对上述问题，面向视觉场景认知的典型应用场景智能交通系统，研究自动驾驶车辆类脑决策理论研究、自动驾驶整车动力学控制以及软件定义汽车体系架构，取得了系统性成果。在自动驾驶车辆类脑决策理论方面，提出了面向随机行人横穿场景的混合强化学习避撞策略，实现了典型决策场景的安全性可信提升。在自动驾驶车辆整车动力学控制方面，提出了线控车辆的避障轨迹跟随自适应鲁棒控制算法，实现了存在多源不确定性情况下纵横向鲁棒控制，并应用于车辆队列系统纵横向控制。.在软件定义汽车体系架构方面，分析了软件定义汽车的技术特点与发展趋势，提出软件定义汽车技术体系架构。项目研究成果已发表学术论文23篇，其中期刊论文17篇，会议论文6篇。研究成果申请国家发明专利31项，其中已授权9项。项目执行期间共培养了硕士、博士毕业生29人 。项目研究成果在列车节能驾驶和智能运维、智慧车列自动编队行驶等多个典型工业场景中开展了试验验证，取得了显著应用效果。