GTI智能驾驶深度解读(二):边缘计算对于无人驾驶的关键优势

发布时间:2019-10-16 阅读量:1145 来源: 我爱方案网 作者: GTI

汽车和车载通信的最新进展推动了深度学习,边缘计算和车辆互联网的融合。

 

无人驾驶汽车所需的大量传感器,海量数据,不断增加的计算能力,实时操作和安全问题,正在推动在云端计算的核心,往边缘端发展。无人驾驶车辆不断感应并发送有关道路状况,位置和周围车辆的数据。无人驾驶汽车每秒产生大约 1GB 的数据[4] - 由于网络带宽和延迟,即使是将部分数据发送到云端服务器分析也是不切实际的。

 

由于大量的数据传输、延迟问题和安全问题,现行的云计算服务架构阻碍了为无人驾驶汽车提供实时人工智能处理的实现。因此,深度学习作为人工智能的主要代表,可以将这些问题集成到边缘计算框架中。边缘计算解决了延迟敏感的控制,如对象跟踪和检测、位置感知以及云计算中面临的隐私保护等问题。

 

只有在不依赖于远程资源的情况下,对采集到的数据进行本地处理,实时做出决策和预测,才能实现边缘计算的真正价值。只有当边缘计算平台能够加载预先训练好的深度学习模型,并且拥有本地执行实时推断的计算资源时,这才可能发生。延迟和本地化是边缘计算的关键因素,因为数据传输延迟和上游服务中断是不可容忍的,并引发了无人驾驶汽车的安全问题(ISO26262)。例如,车辆上的摄像头传感器应该能够在不依赖云计算资源的情况下,在 3ms 内探测并识别周围环境并且有高可靠性(99.9999%)。例如,对于速度为120km/h 的车辆,1ms 的往返延迟相当于车辆与静态对象之间的 3cm 或两辆移动车辆之间的6cm。

 

目前,无人驾驶车辆应用中现有的车载 AI 计算任务,包括目标检测、语义分割、路面跟踪、标志和信号识别等,主要依赖于 CPU、GPU 或 FPGA 等通用硬件。然而,对于无人驾驶和嵌入式应用程序,应该考虑功耗、速度、精度、内存开销、芯片尺寸和 BOM 成本。虽然高功耗的 GPU 可以通过冷却来满足散热,但同时也显著降低行驶里程和车辆的燃油效率。因此,这需要更经济、更高效、基于人工智能加速优化的芯片,如领域特定的基于人工智能推理的 ASIC,实现在边缘端对深度学习推理能力的加速。

 

AI 无人驾驶边缘计算优势

 

最近无人驾驶在提高车辆安全和效率方面作出了重大努力。车辆通信和 5G C-V2X 技术的进步,为车辆之间、车辆与基础设施网络之间提供可靠的通信连接。边缘计算最适合于带宽紧张和延迟敏感的应用,例如无人驾驶汽车,因为安全原因需要立即采取行动和作出反应。

 

无人驾驶系统极其复杂,它们紧密集成了许多技术,包括传感、定位、感知、决策,以及与云平台的流畅交互,用于高清地图生成和数据存储。这些复杂性给无人驾驶边缘计算系统的设计带来了诸多挑战。

 

车辆边缘计算(VEC)系统需要实时处理大量的数据。由于 VEC 系统是移动的,它们通常有非常严格的能耗限制。因此,即使是在高速[5]上也要以合理的能耗提供足 够的计算能力,来保证无人驾驶汽车的安全。

 

为无人驾驶汽车设计一个边缘计算生态系统的首要挑战是提供实时处理、足够的计算能力、可靠性、可伸缩性、成本和安全性,从而保证无人驾驶汽车用户体验质量和用户安全。

 

车辆边缘计算与车辆云计算比较

表1.jpg

 

智能边缘计算对于无人驾驶的关键优势


 低延迟


零(低)延迟对汽车安全是至关重要的。许多无人驾驶汽车制造商都在设想,传感器数据将流入云端,用于无人驾驶汽车所需的进一步数据处理、深度学习、训练和分析。这使得汽车制造商能够收集大量驾驶数据,并能够使用机器学习来改进人工智能自动驾驶实践和学习。据估计,在网络上收发数据至少需要 150-200ms。考虑到汽车是在运动并且需要实时决策需要做出有关汽车的控制,这个延时比较大。

 

根据丰田的说法,到 2025 年,汽车和云之间传输的数据量将达到 10exabytes/月,也就是当前数据量的 10000 倍。云计算的设计初衷并不是让无人驾驶汽车快速处理大量数据。无人驾驶汽车将实时执行时间敏感的处理任务,例如车道跟踪,交通监控,目标检测或本地(边缘)级别的语义分割,并相应地采取驾驶行动。

 

同时,对于长期的任务,它将传感器数据发送到云端进行数据处理,最终将分析结果发
送回无人驾驶汽车。

 

因此,边缘计算技术将提供一个端到端系统架构框架,用于将计算过程分布到本地网络。一个精心设计的人工智能无人驾驶汽车和车联网将是一个协作的边缘云计算系统,高效的视频/图像处理,以及多层分布式(5G)网络——本地和云端处理的混合网络(图 6)。边缘计算是为了补充云计算,而不是完全取代云计算。

 



图6.jpg


 速度

 

考虑到在网络上来回传输的大量数据,出于安全原因,大部分处理都必须在车上进行。车辆在不需要传输数据的情况下,计算连续数据的速度有助于减少延迟,并提高准确性。 因此车辆不再依赖连接和数据的传输速度。

 

人与机器之间的相互依赖意味着信息的实时传输速度是至关重要的。利用边缘计算,包括拥有足够的本地化计算处理和内存量,以确保无人驾驶汽车和人工智能处理器能够执行各自所需的任务。

 

我爱方案网是GTI的授权代理商,欢迎联络我们采购GTI的AI芯片,共同推动AI应用落地。更多元器件采购需要,欢迎来中电快购


相关文章推荐

GTI智能驾驶深度解读(一):边缘计算,机器视觉,5G 车辆的融合

GTI智能驾驶深度解读(三):AI机器视觉、5G将在全无人驾驶中起关键作用

相关资讯
台积电Q2业绩创新高:AI营收首破百亿,占比超三分之一

全球半导体制造龙头台积电(TSMC)近日公布2024年第二季度财报,美元营收达300.7亿美元,创下单季历史新高。其中,AI相关芯片业务表现尤为亮眼,单季营收首次突破百亿美元大关,占总营收比重超过三分之一,成为推动业绩增长的核心动力。

苹果新一代iPad Pro前瞻:M5芯片+双镜头,AI性能大升级

据供应链最新消息,苹果计划于今年9月推出全新一代iPad Pro,该产品将迎来重大硬件升级,包括搭载性能更强的自研M5芯片,并首次采用双前置镜头设计,以提升AI计算能力和摄像体验。业内人士分析,此次革新有望刺激新一轮市场需求,带动台积电、大立光、鸿海等供应链厂商业绩增长。

国产GPU三强争锋!瀚博半导体启动上市辅导,估值超百亿

近日,中国证监会官网披露,国产高端GPU芯片厂商瀚博半导体(上海)股份有限公司(以下简称“瀚博半导体”)已正式启动上市辅导,由中信证券担任辅导机构。若顺利上市,瀚博半导体将成为继摩尔线程、沐曦股份之后,又一家冲击科创板的国产GPU企业。

英伟达调整对华AI芯片战略:B30或将取代H20成为主力产品

据供应链消息,英伟达计划在今年第四季度推出专为中国市场设计的新一代AI芯片B30,以应对美国出口管制政策的影响。该芯片将采用GDDR7显存替代HBM(高带宽内存),预计AI性能较H20下降10%-20%,但价格将降低30%-40%。此举旨在填补H20受限后英伟达在中国市场的供应缺口,并维持其竞争优势。

恩智浦半导体Q2营收29.3亿美元,汽车业务成主要驱动力

当地时间7月21日,欧洲汽车芯片巨头恩智浦半导体(NXP Semiconductors)公布了2025年第二季度(截至6月29日)财报。数据显示,公司营收同比下滑6%至29.26亿美元,但环比增长3%,略高于市场预期的29亿美元。Non-GAAP每股收益为2.72美元,同比下降15%,但仍超出分析师预期的2.66美元。