[发明专利]一种基于自动驾驶的神经网络数据存储方法及系统

说明书

本发明涉及一种基于自动驾驶的神经网络数据存储方法及系统。该方法包括：获取存储空间；存储空间包括多个类型的存储区块，不同类型的存储区块采用不同的纠检错编码，不同类型的存储区块的可靠性不同；获取根据自动驾驶要求构建的神经网络模型；对神经网络模型中每个神经元的脆弱度进行分析，得到每个神经元的脆弱度；根据每个神经元的脆弱度和存储区块的类型，将所有的神经元进行分类，得到多个类别的神经元集合；神经元集合的类别和存储区块的类别相同；采用图染色算法，将多个类别的神经元分别存储至存储空间的存储区块中；可靠性越高的存储区块中存储的神经元的脆弱度越高。本发明可以提高数据存储的准确性，进而提高自动驾驶的安全性能。

技术领域

本发明涉及自动驾驶领域，特别是涉及一种基于自动驾驶的神经网络数据存储方法及系统。

背景技术

近几年来，人工智能引发了全球的热潮。在自动驾驶领域，深度神经网络(DNN)是其中最重要的技术之一，它模仿了人脑中神经元的组织方式和运行模式，对输入的信息(比如图片、文本、语音)进行特征提取和分类，并能得到高质量的结果。自动驾驶要求实时的图像处理和目标识别，对神经网络的可靠性有很高的要求。在实现自动驾驶时，神经网络的数据存储在计算机的内存和高速缓存中，由于单粒子入射、电压降低、温度和老化，以及工艺偏差，都可能造成神经网络的数据在存储过程中发生变化，即软错误。这些软错误可以改变存储的数据，进一步导致系统输出错误的结果，对目标物体错误分类，例如障碍物判断结果错误等，从而导致车祸等严重事故。

目前，通常采用的保护方法是采用硬件纠错电路(Error Detection AndCorrection，EDAC)与存储器相结合，即采用校验码的方式对存储器的保护，可以避免存储过程数据出错。常用的EDAC技术包括海明码和BCH码，海明码是一种能检测两位错误纠正一位错误的线性分组码。对于32位处理器来说，要对32位信息位进行纠1位错，则其校验位K应为7位。海明码原理复杂度低，在进行编码译码时，产生延时不大，但其无法解决多位错误问题。通过分组进行海明码来解决多位错误纠错能力问题固然可行，然而此方法只对组间产生的多位错误有效，对于组内产生的多位错误仍然无效。而随着汽车电源电压的降低及纳米级工艺的日益发展，单粒子多位翻转多发生于连续区域。因此分组海明码仍然无法解决多位错误问题。BCH码具有多位纠错能力，随着其纠错能力的增大，其校验位数也随之增大。对于32位处理器来说，要对32位信息位进行纠4位错，则其校验位数应为24位。然而BCH译码原理复杂，在进行译码时，将产生较大延时。相关研究表明，海明码编码和译码的延时开销为1，BCH码的编码延时开销为1，译码延时开销为7。

之前有一部分工作，仅从硬件的层面提出对存储器的保护方法，以防止软错误引起的故障，但是它们以能耗、延迟和硬件成本为代价，难以布置到资源有限的自动驾驶系统上。有一部分工作仅从软件的层面保护应用程序免受软错误的影响，这些方法虽然可以根据软件的特性进行配置，但是不适用于自动驾驶的DNN。因此，现有的保护方法难以在自动驾驶上应用。

发明内容

本发明的目的是提供一种基于自动驾驶的神经网络数据存储方法及系统，以提高数据存储的准确性，提高自动驾驶的安全性能。

为实现上述目的，本发明提供了如下方案：

一种基于自动驾驶的神经网络数据存储方法，包括：

获取存储空间；所述存储空间包括多个类型的存储区块，不同类型的存储区块采用不同的纠检错编码，不同类型的存储区块的可靠性不同；

获取根据自动驾驶要求构建的神经网络模型；

对所述神经网络模型中每个神经元的脆弱度进行分析，得到每个神经元的脆弱度；

根据每个神经元的脆弱度和所述存储区块的类型，将所有的神经元进行分类，得到多个类别的神经元集合；所述神经元集合的类别和所述存储区块的类别相同；