782
与非网会员点击【免费获取】《2021年中国自动驾驶芯片行业概览》
前往【技术文档】专区，获取更多 汽车电子最新白皮书
自动驾驶汽车正在改变我们的生活、工作和娱乐方式--创造更安全、更高效的道路。这些革命性的好处需要巨大的计算能力和大规模的生产软件的能力。很多企业利用几十年来在高性能计算、成像和人工智能方面的经验，为运输业建立了一个软件定义的端到端平台，通过空中更新实现持续改进和持续部署。它提供了大规模开发自动驾驶汽车所需的一切。
人工智能需要一个更适合人工智能应用处理的特定架构。现在的趋势是使用张量架构，而不是通常分别用于CPU、DPU或GPU的线性或矢量处理。尖端芯片或专用协处理器正在成为设备上、边缘、甚至云端AI处理的主流。边缘人工智能在其位置性、隐私性、延迟性、功耗限制和移动性支持方面有其他好处（除了其架构）。
自动驾驶汽车需要处理由传感器（摄像头、LiDAR、雷达和超声波）捕获的大量数据。它还必须提供实时反馈，如交通状况、事件、天气状况、路标、交通信号等。这需要每秒高达数万亿次的操作（TOPS）来同时处理多个具有挑战性的任务（例如，物体提取、检测、分割、跟踪等）。它还会根据操作的不同而消耗大量的能量。最后，高速处理、可靠性和准确性是非常重要的，需要比人类更好。
目前，大多数自动驾驶汽车都使用GPU（图形处理芯片）作为其核心人工智能处理。GPU的速度和成本效益都不如定制芯片（ASIC）。最终，需要一个专门的人工智能自动驾驶处理器。然而，最大的问题之一是耗电量。为了让上述L3完美地工作，需要100到1000瓦的功率来处理来自多个摄像头、雷达、LiDAR等的实时高清输入。这是一个巨大的电力需求。这基本上意味着需要一个专门的电池来处理。
CPU是具有线性结构的通用处理器。理想情况下，最好是将CPU用于更一般（但重要）的非AI任务。如果可能的话，应该避免人工智能处理对CPU的超载。传统上，GPU被用于图形和游戏。然而，由于其灵活性和相对较高的处理能力，它可以用于人工智能训练和边缘应用。还有其他问题，如GPU和CPU之间的数据传输最终成为系统的一大制约因素。GPU的其他主要缺点是功耗和成本。GPU主要用于云人工智能及其灵活性和可配置性能力。ASIC更适合于具有大型计算处理、低成本和电源效率要求的特定应用任务，如AI应用。在人工智能应用中使用人工智能专用协处理器（ASIC）正在成为主流，尤其是边缘应用。我们相信在未来，对于自动驾驶，会有专用的处理器和系统来服务，而不是基于GPU。
边缘计算的重要性在于以下特点。定位、低延迟、隐私/安全、移动性支持和耗电限制。
摄像机通常用于视觉处理，即意识到周围环境的物体检测、识别、分割、（车道）跟踪、盲点监测、停车辅助、交通标志识别和颜色信息。照相机通常不提供距离信息。LiDAR大多用于360点检测，具有很高的精度和分辨率。它可用于交通拥堵、AEB（自动紧急制动）、高速公路试点等方面。LiDAR非常昂贵，而且不提供颜色信息。雷达用于物体探测，具有高到低的分辨率，在远距离上很有用，但不能区分物体是什么。超声波通常用于停车辅助、盲点、ACC（自动巡航控制）与停止和走。超声波对巡航控制、避免碰撞、距离传感器和低分辨率的耐气候性很有用。
与非网会员点击【免费获取】《2021年中国自动驾驶芯片行业概览》
前往【技术文档】专区，获取更多 汽车电子最新白皮书
下载ECAD模型
