自动驾驶握紧人工智能边缘计算这张王牌才有更大赢面？

大量传感器、海量数据、不断增长的计算能力、自动驾驶汽车所需的实时操作和安全问题，正将计算核心从云端推向网络边缘。自动驾驶车辆不断感测和发送有关路况、位置和周围车辆的数据。自动驾驶汽车每秒产生大约1GB的数据，由于需要处理带宽和延迟，哪怕是将一小部分字节(TB)数据发送到集中式服务器进行分析也是不切实际的。
由于过高的数据传输量、延迟问题和安全性，当前的云计算服务架构延缓了为自动驾驶车辆提供实时人工智能处理的愿景。因此，作为人工智能主要代表的深度学习可以集成到边缘计算框架中。边缘人工智能计算解决了延迟敏感的问题，如目标跟踪和检测、位置感知，以及在云计算方式中面临的隐私保护挑战。

文章图片
【自动驾驶握紧人工智能边缘计算这张王牌才有更大赢面？】边缘人工智能实时决策和
准确预测的先决条件
边缘人工智能计算的真正价值只有在收集到的数据能够实现本地处理，且能够在不依赖远程资源的情况下实时做出决策和准确预测才能算真正体现。只有当边缘计算平台能承载预训练的深度学习模型，并且具有本地执行实时推断的计算资源时，这才可能发生。延迟和位置是边缘的关键因素，因为数据传输延迟和上游服务中断是引起无人驾驶汽车的安全问题的重要隐患（ISO26262）。例如，车辆上的摄像头传感器应该能在3ms内检测和识别周围环境，而不依赖云中的计算资源，且具有高可靠性（99.9999%）。对于速度为120km/h的车辆， 1ms的往返延迟相当于车辆与静止物体之间的3cm位移或两个移动车辆之间的6cm位移。

文章图片
目前，大多数用于自动驾驶车辆应用的车载AI计算任务（包括目标检测、分割、路面跟踪、标志和信号识别）主要依赖于通用硬件——CPU、GPU、FPGA或通用处理器。然而，对于自动驾驶和嵌入式应用程序，功耗、速度、精度、内存占用、模具尺寸和BOM成本都应考虑在内。由于冷却负载满足降温需求， GPU的功耗较高，这会显著降低车辆的行驶里程和燃油效率。针对封装、必须遵循风扇冷却和通用的做法。因此，需要更经济、更节能、更优化的人工智能加速器芯片，例如基于特定域人工智能的推理ASIC ，用做加速边缘深度学习推理的实用解决方案。
人工智能汽车边缘计算的优势
车辆通信和5GV2X的进步现在可以在车辆和基础设施网络（V2I）之间提供可靠的通信链路。边缘计算最适用于带宽密集型和对延迟敏感的应用，如无人驾驶汽车，出于安全原因需要立即采取行动和作出反应。
自动驾驶系统极其复杂，集成了许多技术，包括传感、定位、感知、决策，以及与用于高清地图生成和数据存储的云平台的平滑交互。这些复杂性给自动驾驶边缘计算系统的设计带来了诸多挑战。
车辆边缘计算（VEC）系统需要实时处理大量的数据，通常有非常严格的能耗限制。因此，就必须提供足够的计算能力和合理的能耗，即便在高速行驶的情况也可以确保自动驾驶车辆安全。
为自动驾驶车辆设计边缘计算生态系统的首要挑战是提供实时处理、足够的计算能力、可靠性、可扩展性、成本和安全性，以确保自动驾驶车辆用户体验的安全性和质量。
车载边缘计算与车载云计算比较

文章图片