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。

 

 

下方留言回复:自动驾驶芯片行业概览,可获取私信回复 pdf版 报告全文

 

 

 

下方留言回复:自动驾驶芯片,可获取私信回复 pdf报告全文