人工智能技术在自动驾驶的应用极为关键,需要考虑算力、功耗体积等问题,一般采取异构计算平台设计方案,及CPU+DSP/GPU/FPGA/ASIC,其中DSP用于图像特征提 取任务、GPU/FPGA/ASIC等计算单元用于目标识别、追踪任务等,而CPU则会用于定位、决策等逻辑运算任务。如英伟达的DRIVE PX系列及后续的Xavier、Pegasus等,目前已经被包括Bosch、Audi、Benz以及Tesla等厂商及诸多自动驾驶公司采用作为其处理器方案所使用。、
目前仍面临如下问题: 现有的自动驾驶受限于计算能力因素,功能不够丰富与完善,体验感有待提高。 较高级别的级别自动驾驶功能售价相对整车较高。 高温、低温、高湿、灰尘等环境对系统可靠性、安全性产生影响。 此外,芯片设计需要初期投入成本较高。
在芯片技术上 智能驾驶计算芯片在半定制的FPGA和定制型的ASIC获得新的技术发展:
自动驾驶的计算芯片设计难度体现在算力要求高,需较多传感器,包括多台摄像头、毫米波雷达、激光雷达等,此外还需要满足ASIL-D车规级电子产品设计标准。对于复杂应用场景和受限边缘计算,AI芯片在芯片体积、功耗、成本要求较高。 关键指标如下: AI 处理器在特定场景下提供的矢量和矩阵计算能力,常用的单位是 TOPS或 TFLOPS CPU 算力单位 DMIPS MAC利用率,特定神经网络下 AI 处理器中用于矩阵计算的 MAC 阵列利用率 芯片或处理器在单位时间中所消耗的能量 能耗比用于度量在单位功耗下芯片的 AI 计算能力 时延指芯片完成一次完整的输入、处理、输出过程的时间 泛化能力,采用特定数据集训练的特定模型对不同测试场景的适应能力
智能驾驶安全标准:SAE J3016 标准于 2014 年由美国国际汽车工程师学会制定,针对道路机动车辆的自动化系统相关条款做了分类和定义。
自动驾驶的控制核心技术控制车辆的纵向、横向、驱动运动和制动。其中,纵向控制负责车辆前后运动的控制,而横向控制则负责方向盘角度和轮胎力的调整。只有同时实现纵向和横向自动控制,才能使车辆按照预设目标和约束自主行驶。 深度学习可通过神经网络理解支持无人驾驶学习海量汽车的数据和集体经验,支持面部识别、标记功能、语音识别等应用。目前智能座舱是发展的较新领域,包括SoC芯片 、 操作系统 、 中间件 、 应用、 HMI交互窗口。
自动驾驶领域存在多种技术路线,如特斯拉视觉路线、谷歌Waymo、百度Apollo,目前呈现融合趋势。随着技术的成熟和成本的下降,自动驾驶的商业化进程逐步加快,前景可期。
|