什么是ADAS?

高级驾驶辅助系统（Advanced Driving Assistance System）是利用安装在车上的各式各样传感器（毫米波雷达、激光雷达、单\双目摄像头以及卫星导航），在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性。

 

近年来ADAS市场增长迅速，根据据 Yole Development 报告显示，ADAS 系统和信息娱乐系统的处理能力预计将在未来五年内大幅提升，最高将高达3倍，原来这类系统局限于高端市场，而现在正在进入中低端市场。大家纷纷讨论的问题是，这种增长将发生在哪里？边缘传感器、区域中央处理，还是汽车中央处理？

从边缘处理到中央处理

在ADAS系统出现之前，汽车电子产品的快速增长促使汽车OEM厂商重新思考他们希望如何分销这些电子产品。现在，边缘感知加速了这种需求的到来。部分问题在于数据通信的成本和管理，智能感知进一步加剧了这一问题。

然而，传感器融合必须融合来自多个传感器视角和类型的数据，这通常不能适应边缘或中央处理，需要边缘AI来快速识别和减少数据量，同时，随着具有一定无人驾驶能力的智能汽车的发展，这些智能汽车必须将分布式输入集成到一个驾驶策略管理器中。这种类型的AI是不能分发的。为了安全和集成，必须由中央控制器来处理。

 

中央控制器需要三种不同类型的ADAS系统处理能力——-边缘、区域和中心，并且具有三种不同的配置。AI的边缘必须保持速度和低成本的优势(因为汽车周围会有很多这样的设备)，单个处理器提供高达5 TOPS的计算能力。集成了来自多个边缘设备的输入的区域处理器必须提供更高水平的并行性和性能，这需要依赖于计算能力高达20 TOPS的更昂贵的多核实现。最后，中央驾驶策略引擎必须根据场景训练的行为进行推理，可能还需要支持某种程度的实时训练。这个引擎很可能是一个高成本的多核设备，每个核心都是多核，提供200 TOPS或者更高的计算能力。

ADAS系统的可扩展性意味着什么？

在部署ADAS系统时，培训、优化和基础设施软件是最大的投资部分。因此，在整个产品线中以统一的方式支持这些元素对于经济上尤为重要。边缘解决方案可能比区域或中心解决方案更适合轻量级，这样，可以用不同的编译器选项来编译经过训练的公共网络，并将其映射到边缘、区域和中心解决方案。相应地，AI硬件平台应该支持向上/向下扩展。相同的架构可以部署为单个神经引擎或多个并行引擎，具有统一的数据流控制和内存级别优化。即使有必要，也可以扩展到多核实现。

 

但是有一个问题。仅仅因为解决方案必须是可扩展的，网络开发人员就必须放弃任何他们知道可以提高性能和降低功耗的优化吗？他们应该能够使用所有最先进的人工智能方法来实现他们的目标。或者在完全混合精度神经MAC阵列中提供的各种激活和权重数据类型。改变层精度可以显著降低存储器需求和功耗。稀疏引擎走得更远，不再需要乘以零，在低精度层会更常见。这不仅提高了性能，还降低了功耗。

在最先进的加速器中，自定义操作是必不可少的。将这些操作添加到推理中的一种方法是使用外部加速器。另一种方法是在可编程向量处理单元中具有与原始硬件引擎相同水平的计算能力。