智能网联汽车装配与调试课件：自动驾驶计算平台系统认知.pptx

;

目录

Contents;

自动驾驶计算平台系统认知;

计算平台的分类;;

车载智能计算基础平台结合车辆平台和传感器等外围硬件，同时采用车内传统网络和新

型高速网络(如以太网、高速CAN总线等)，根据异构分布硬件架构指导硬件平台设计，装载运行自动驾驶操作系统的系统软件和功能软件，向上支撑应用软件开发，最终实现整体产品化交付，如下图所示。;;

异构分布硬件架构;;

网联模块是自动驾驶操作系统功能软件中实现网联通信、处理网联数据的

功能子模块。除满足常规网联服务场景要求外，该子模块通过完善通用框架模块设计实现网联协同感知、网联协同规划、网联协同控制等网联自动驾驶功能。;

传感器模块规范和模块化各类自动驾驶传感器，为传感器数据融合提供基

础。针对传感器的多样性、差异性和共性需求，自动驾驶操作系统功能软件中预置传感器模块来规范和模块化自动驾驶各类传感器，为异构传感器信息融合处理提供基础。;;

现有单一芯片无法满足车载智能计算平台诸多接口和算力要求，需采用异构芯片的硬件方案。异构可以体现在单板卡集成多种架构芯片，如奥迪zFAS集成MCU(微控制器)、FPGA(现场可编程门阵列)、CPU(中央处理器)，如华为MDC集成昇腾310和鲲鹏920等；也可以体现在功能强大的单芯片(SoC，系统级芯片)同时集成多个架构单元，如英伟达Xavier集成GPU(图形处理器)和CPU两个异构单元。;

当前汽车电子电气架构由众多单功能芯片逐渐集中于各种控制器，Level3及以上等级自动驾驶功能要求车载智能计算基础平台具备系统冗余、平滑扩展等特点。一方面，考虑到异构架构和系统冗余，利用多板卡实现系统的解耦和备份；另一方面，采用多板卡分布扩展的方式满足自动驾驶Level3及以上等级算力和接口要求。整理系统在同一个自动驾驶操作系统的统一管理适配下，协同实现自动驾驶功能，通过变更硬件驱动、通信服务等进行，不同芯片的适配。;;

GPU在很多方面有着CPU不可比拟的优势，比如在进行浮点运算、并行计算方面可以

达到十倍到百倍的性能加强，利用GPU进??机器学习模型的训练相比使用CPU会缩短大量的时间。同时利用GPU在云端进行识别和分类，会占用更少的基础设施，支持的数据容量也会扩大十到一百倍，所以GPU在深度学习领域非常受人青睐。目前，随着对无人驾驶研究的兴起，很多汽车厂商也将GPU选做主流的计算芯片。;;

DSP芯片(DigitalSignalProcessor)顾名思义就是可以实现数字信号处理的芯片，一般DSP芯片采用哈佛架构，将数据总线和地址总线分开，能够完全重叠取指令和执行指令，实现上一条指令的执行和下一条指令的取出可以互不影响、同时进行，这大大节省了处理器处理数字信号的时间。同时由于器件的灵活性得到了加强，DSP的信号能在程序空间和数据空间之间进行传送。DSP的两大优点是运行速度快、数据处理能力强，除此之外DSP芯片还具有可编程性，实时性好，体积小巧等优点，一般每秒钟可以运行数千万条复杂的指令程序，相比普通微处理器速度有了很大提升。;

FPGA是GPU在算法加速领域的最强竞争对手，FPGA的主要优点是功耗低、成本低、性

能高、硬件配置灵活可编程等等。相对CPU和GPU来说，FPGA的价格便宜，在功耗有限制的条件下可以达到较高的性能。这种特点使得FPGA很适合预处理传感器的数据，此外，FPGA还有可升级迭代的优点，处理器的迭代可以很好地迎合无人驾驶感知算法需要不断更新的特点。然而，由于基于FPGA的计算平台的开发和设计需要一定的硬件方面知识，开发难度较大，一度被称为专家专属的架构。未来随着FPGA在传感器信息处理领域的融合不断深入，深度学习、视觉、语音、无人驾驶等领域将会更多地出现FPGA的应用，FPGA或许会和GPU等一样成为无人驾驶应用上主要的计算平台选择。;

ASIC(ApplicationSpecificIntegratedCircuit)是一种为专门目的而设计的集成电路，分为定制和半定制，全定制顾名思义需要开发设计人员完成全部的电路设计，效率较低，而半定制可以使用一些标准的逻辑单元，比如门电路、加法器、存储器等等。ASIC的特点与FPGA比较相近，都需要从原理图到数字系统建模再到软件仿真等设计步骤，数字ASIC的设