1、硬件传感器接收到环境信息后，数据会被导入计算平台，由不同的芯片进行运算。计算平台的设计直接影响自动驾驶系统的实时性及鲁棒性。对于自动驾驶这样的复杂任务，在设计软件的同时，还必须考虑与之匹配的硬件效能，这里包括性能、功耗和功能安全。为了保证自动驾驶的实时性要求，我们需要保证软件响应的最大延迟在可接受的范围内，对于计算资源的要求也因此变得极高，目前，自动驾驶软件的计算量达到了10个TOPS(每s万亿次操作)的级别，这使得我们不得不重新思考对应的计算架构。福特第二代Fusion自动驾驶原型车行李舱中的计算设备为了解智能网联汽车计算平台的要点，我们介绍一个行业领先的L4级自动驾驶公司现有的计算平台硬件
2、实现，包括现有的不同芯片制造商所提供的无人驾驶计算解决方案。这个L4级无人驾驶公司的计算平台由两个计算盒组成。每个计算盒配备了一颗英特尔至强E5处理器(12核)和4到8颗NVIDIA K80GPU加速器，彼此使用PCE总线连接。CPU运算峰值速度可达400f/s，功率需求400V。每个GPU运算峰值速度可达8TOPS，功率需求300W。因此，整个系统能够提供64.5TOPS的峰值运算能力，其功率需求为3000W。输入标题单击此处添加文字单击此处添加文字输入标题单击此处添加文字单击此处添加文字基于GPU的解决方案GPU在浮点运算、并行计算等部分的计算方面能够提供数十倍至上百倍的CPU性能。利用G
3、PU运行机器学习模型，在云端进行分类和检测，其相对于CPU耗费的时间大幅缩短，占用的数据中心的基础设施更少，能够支持(比单纯使用CPU时)10100的应用吞吐量。NVIDIA PX2平台芯片示意图基于DSP的解决方案DSP(Digital Signal Processor)以数字信号处理大量数据。DSP的数据总线和地址总线分开，允许取出指令和执行指令完全重叠，在执行上一条指令的同时就可取出下一条指令，并进行译码，这大大提高了微处理器的速度。德州仪器TDA2 SoC芯片示意图基于FPGA的解决方案作为GPU在算法加速上强有力的竞争者，FPGA硬件配置最灵活，具有低能耗、高性能及可编程等特性，十分
4、适合感知计算。更重要的是，FPGA相比GPU价格便宜(虽然性价比不一定最好)。在能源受限的情况下，FPGA相对于CPU与GPU有明显的性能与能耗优势。Altera公司Cyclone V SoC芯片示意图基于ASIC的解决方案Mobileye是一家基于ASIC的无人驾驶解决方案提供商。其Eyeq5 SOC装备有四种异构的全编程加速器，分别对专有的算法进行了优化，包括有：计算机视觉、信号处理和机器学习等。MobileyeEyeq5 SOC结构示意图其他芯片解决方案谷歌公布了AlphaGo战胜李世石的“秘密武器”芯片“TPU(Tensor Processing Unit，张量处理单元)，它使得机器学习类深度神经网络模型在每瓦特性能上优于传统硬件。谷歌公司TPU芯片示意图“SI”概率芯片示意图输入标题单击此处添加文单击此处添加文字1、（多选）当硬件传感器接收到环境信息后，数据会被导入计算平台，由不同的芯片进行运算。计算平台的设计直接影响自动驾驶系统的实时性及鲁棒性。对于自动驾驶这样的复杂任务，在设计软件的同时，还必须考虑与之匹配的硬件效能，这里包括 。A.性能 B.功耗 C.功能安全 D.价格2、（多选）现有的计算平台解决方案有 。A.基于GPU的解决方案 B.基于DSP的解决方案 C.基于FPGA的解决方案 D.基于ASIC的解决方案随堂练习随堂练习
