深度模型压缩技术在智能座舱方案的探索与实践( 四 ) 作者:Neil来源:微信公众号:滴滴

在智能座舱中，存在多种基于深度模型算法的功能，例如基于深度检测模型的驾驶员行为识别（DMS）中的疲劳预警、驾驶行为识别等功能。通过多种深度模型压缩技术的结合，可以将实现智能座舱中多种基于深度模型算法进行压缩，从而达到减少运算数量，达到降低推理加速，从而保证终端上多种深度模型的实时运行。
文章插图
▍ 3.2 驶行为识别（DMS）据统计，在滴滴平均每天有6000人次司机因触发疲劳驾驶被强制下线休息至少6小时，有超过数十万人次司机被强制下线休息至少20分钟。通过统计驾驶时长判定疲劳是一种很直观的方式，但也有些案例是无法通过这种方式判别。例如司机连续驾驶时间不足4小时，但他前一天深度熬夜，身体早已极度疲惫；比如因身体、睡眠质量、心情的影响造成的疲劳、瞌睡等都是无法监测预警的。
针对该问题，滴滴利用AI技术搭建疲劳驾驶预警系统，搭载在安全车载智能硬件（桔视）中，实时分析识别司机的疲劳状态。在司机进入疲劳状态前，通过语音提醒司机注意行车通风、及时休息，避免疲劳驾驶。
在AI疲劳驾驶预警系统中，我们采用了端云结合的方式保证驾驶安全。整体流程如图 7所示，我们通过深度模型提取疲劳的特征，通过模型压缩技术深度模型压缩技术将模型进行压缩，得到轻量化模型，从而达到了实时性的需求。将实时检测的表征上传到云端，通过云端进行时序分析，对其进行基于表征的序列学习识别疲劳状态，当判断出驾驶者处于疲劳时，进行播报提醒。通过该系统，百公里疲劳时长实现显著下降，为出行保证安全。
文章插图
图7 端云结合的疲劳驾驶预警系统
4.
结语
智能座舱作为提升出行体验的重要一环，具备丰富的感知系统提供多维度数据信息。通过模型压缩技术打磨的轻量级深度模型，降低了终端的运算资源开销，并且保证了多种任务的深度模型算法的实时性与准确性，为司乘人员出行提供了安全保障的同时也满足了个性化、娱乐性体验的需求。
参考链接：
[1] Zhang, T., Ye, S., Zhang, K., Tang, J., Wen, W., Fardad, M.,--tt-darkmode-bgcolor: #131313;">[2] Liu, N., Ma, X., Xu, Z., Wang, Y., Tang, J.,--tt-darkmode-bgcolor: #131313;">[3] Hinton, G., Vinyals, O.,--tt-darkmode-bgcolor: #131313;">本文作者
?
文章插图
2018年12月加入滴滴，任资深研究员，在嵌入式视觉组负责深度模型算法移植、压缩及优化工作。博士就读于美国东北大学计算机工程系，研究领域为深度增强学习、深度模型压缩。发表AAAI/MICRO/ASPLOS/ISCA等会与期刊20余篇。
来源:微信公众号:滴滴技术
出处:;mid=2247513231&idx=1&sn=c683ef10efee37e78ba3a869e090af1d