GPU和虚拟化技术对ADAS平台的重要性.pdf

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、