- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
GPU 和虚拟化技术对ADAS 平台的重要性
GPU
近几十年来,图形处理器 ( )已从最初作为大型电玩的视频显示适配器演进
为一个强大的计算中心,并且正在推动人工智能和机器学习的发展,包括从石油
和天然气勘探到自然语言处理等众多领域的计算工作。如今,GPU正在自动驾
ADAS
驶和先进驾驶辅助系统 ( )技术的发展中扮演着越来越重要的作用。
在本文中,我们将介绍神经网络硬件加速器在自动驾驶计算平台的重要作用,他
可以将极高性能和极低功耗完美结合在一起。
你或许想知道GPU是如何从电子游乐场走向前沿科学研究和自动驾驶汽车的?
GPU作为处理大数据工作负载的首选处理器而逐渐崛起,归因于传统中央处理
CPU GPU GPU
器 ( )和 之间存在一些基本的架构差异。 是一种专用的微处理器,
3D
最初是为渲染游戏中的视觉效果和 图形而设计,这些游戏需要强大的计算能
力来显示实时动作效果。为了提供这种能力,GPU使用数千个小型高效的内核
来实现可同时处理大量数据的大规模并行架构。
相比之下,典型的CPU仅由几个内核和大量高速缓存组成,通常设计为一次只
处理几个软件线程。CPU针对顺序串行处理进行了优化,更适合于通用的计算工
作。然而,当涉及同时处理大量数据时,GPU则更胜一筹。
GPU凭借数百个内核能够并行处理数千个线程,与典型CPU的性能相比,GPU
20
可以将某些软件的性能提高 倍以上。越来越多出现的情况是,我们期望计算
——
机为我们解决那些具有挑战性的计算问题都具有固有的并行结构 可以想想
大量的视频处理、图像分析、信号处理和机器学习等流程,它们都必须能可靠、
实时地运行才可以确保实现汽车自动驾驶。在诸如电池供电的电动汽车等功率受
限的系统中,GPU往往能够在实现这种处理速度的同时提供比CPU更高的能效
和成本效益,这一点也很重要。
GPU是为ADAS量身定制的
GPU非常适合汽车自动驾驶和ADAS技术对处理能力的要求,尤其是在图像分析
和并行信号处理方面。对于起初为游戏而开发的GPU而言,图像处理是其最擅
长的领域。事实上,就计算方面来讲,几乎任何密集并行计算都适合用GPU来
处理。
ADAS平台可以利用GPU的图形计算能力去实时处理和分析传感器数据。
这些离散传感器包括:
光探测和测距 (激光雷达),用脉冲激光测量到目标的距离。
无线电探测和测距(雷达),与激光雷达类似,但使用无线电波代替激光。
红外 (IR)摄像系统,使用热成像技术在黑暗中进行感知。
所有这些使ADAS能够更好地解析环境,并且可提升系统辅助驾驶员和维护自动
驾驶汽车安全性的能力。自动驾驶汽车分为6个级别,从完全没有自动化的0
级 (Level0)到汽车完全自主的5级 (Level5)。随着我们从2级提升至4级
5
和 级,就越来越需要车内系统能够对车辆所行驶的世界有更详细、更广泛的了
解。
下图所示为自动驾驶的不同级别所需要处理的传感器类型和数量。
1
图 :自动驾驶的不同级别所需要处理的传感器类型和数量
GPU ——
随着自动驾驶系统变得越来越普及、越来越先进, 的重要性不断增加 因
此性能也在不断提升。于是,GPU成为自动驾驶汽车的主力部件。因为要依靠
GPU来提供所需的计算能力,去支持未来的汽车变得不仅能够更好地感知其所
处的环境,还能够对环境做出响应,以便确保可靠、高效、安全地行驶。
然而,GPU并不是为加速自动驾驶功能而设计的硬件中最终选择。GPU之后的
下一步是专用的神经网络加速器。在过去的20年中,围绕神经网络的应用,特
别是卷积神经网络展开了大量的研究。卷积神经网络 (CNN)具有通用性强、低
成本、低功耗等特点。它是有效的机器移动学习要素,可用于众多车内应用,例
如目标检测、行人检测、
文档评论(0)