从原型到商用　自动驾驶技术挑战多

o 软件和算法的复杂性：一个能够实现完全自动驾驶的车辆大约需要10亿行代码的软件，这是任何一家公司都无法独自完成的。跟飞机做个对比，波音787 Dreamliner的软件才包含1400万行代码，因为飞机的飞行环境和路径相对简单，而且飞行员都是经过专业训练的驾驶员。而自动驾驶车辆的运行环境要复杂得多，不但要在拥挤的道路上与其它车辆交互，而且要随时主要行人，还要应对各种各样的天气和路况。mudesmc

o 异构集成的高性能处理器支持：传感器融合(Sensor Fusion)和图像处理对CPU、GPU和专用AI加速器提出了极高的要求。此外，处理器和整个系统的功耗和尺寸也要大幅度减少。mudesmc

o 功能性安全：目前业界还没有统一的功能性安全标准，各种安全性技术虽然已经经过验证，但仍无法满足自动驾驶对功能性安全的要求。mudesmc

计算性能要有10-100倍的提升

对多输入来源的传感器数据进行实时处理是自动驾驶系统对处理器硬件和软件提出的高要求。数据处理分为四步：感应(SENSE)、察觉(PERCEIVE)、决策(DECIDE)和致动(ACTUATE)。mudesmc

mudesmc

图2：自动驾驶系统处理数据的步骤（来源：Arm）mudesmc

鉴于自动驾驶对数据处理性能的要求和软件及算法的复杂性，Arm公司汽车方案和平台总监Robert Day认为若采用统一的自动驾驶计算平台，业界就可以更好地协作开发硬件和软件系统，确保安全一致性，而且可以降低整体成本，加速自动驾驶从原型测试到批量生产、规模化部署和商业化运营的发展步伐。Arm最近联合英伟达、NXP、GM、丰田和博世等业界厂商联合成立自动驾驶计算联盟(AVCC)就是基于这一理念。mudesmc

据他介绍，Arm CPU、GPU、ISP和NPU等系列IP使得基于Arm的芯片解决方案可以在整个车辆中使用，而Arm的半导体合作伙伴提供了广泛的汽车级SoC。如上图所示，Arm完整的处理器系列包括应用处理器（Cortex-A）、实时处理器（Cortex-R）和小型低功耗微处理器（Cortex-M），以适应自动驾驶系统的所有阶段。随着Arm的半导体合作伙伴将更多计算元素加入异构SoC平台，将有助于满足自动驾驶的计算处理要求，同时有助于降低功耗、价格、尺寸和散热。mudesmc

这些离散的传感器包括：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），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；以及普遍采用的摄像头系统等。mudesmc

某些数据可以在传感器本地处理，但大部分数据都要通过传感器融合来汇聚、过滤和分类。传感器融合要处理太字节量级的数据，这是通用型CPU无法满足的，但GPU可以提供10倍于CPU的性能， 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。自动驾驶系统可以利用GPU的图形计算能力去实时处理和分析传感器数据。mudesmc

mudesmc

图3：自动驾驶的不同级别所需要处理的传感器类型和数量（来源：Imagination）mudesmc

在上世纪90年代，CPU增加了浮点运算单元和高速缓存以提高性能，此后GPU也被集成至CPU中。到2010年代，图像信号处理器（ISP）和对视频编解码器的硬件支持也加入进来。现在则轮到神经网络加速器集成进芯片，实现芯片自身的优化，并成为网络边缘计算设备的标准组成部分。mudesmc

随着AI、神经网络和深度学习的兴起，针对特定领域的专用加速器NPU则可以将计算性能提高200倍。所有这些使得ADAS/自动驾驶系统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。随着自动驾驶从L2级提升至L4和L5级，越来越需要车内系统能够对车辆所行驶的环境有更详细、更广泛的了解。mudesmc

mudesmc

图4：嵌入式系统SoC的演化（来源：Imagination）mudesmc

据Imagination公司汽车业务总监Bryce Johnstone介绍，PowerVR GPU和神经网络加速器可以解决自动驾驶汽车平台开发人员面临的数据处理和可信架构挑战。此外，PowerVR GPU支持完全的硬件虚拟化，将共享GPU的虚拟实例进行彻底的隔离。从而可以有效地驱动ADAS/自动驾驶平台架构的发展，同时提供实现安全、可靠的自动驾驶处理所需的强大性能。