自动驾驶握紧人工智能边缘计算这张王牌才有更大赢面？( 三 )

此外，边缘网关的AI减少了通信消耗，减少了通信量，从而提高了数据安全性。
可扩展性
车辆边缘计算固有的分布式架构有助于将数据分配至网络边缘，车辆可实时分析和交互数据，与数据在本地操作并无二致。
虽然云是某些任务的必要条件，但自动驾驶汽车需要更分散的方法来降低延迟确保安全。例如，智能传感器可以分析各自视频源，确定需要注意的视频帧，并只将该相关数据发送到服务器。这种分散的架构减少了数据传输过程中的网络延迟，因为数据不再需要穿过网络到达云端进行即时处理。与过去相比，人工智能车辆配备了更多的车载计算能力，能够独立完成更多的任务。具有更高的可预测性和更少的延迟。
成本
越来越多的路侧单元（RSU）配置了强大的本地AI处理器，这有助于降低能耗、维护和运营成本，以及将数据传到云端的相关高带宽成本。与此同时，使边缘计算成为当今更可行的现实的关键驱动因素之一是，计算和传感器的成本持续下降。
人工智能汽车处理器技术
汽车工业正经历关键的技术转型，向更高的自动化水平迈进。智能驾驶需要更高效、更强大的人工智能处理器。根据HorizonRobotics对主机厂需求的总结，更高级别的自动驾驶需要更多数量级的TOPS ，即L2级需要2TOPS ， L3需要24TOPS ， L4需要320TOPS ， L5需要4000多TOPS 。
汽车处理器通常分为三大类：
基于CPU和GPU的处理器：灵活性越来越好，但通常功耗更高。
与GPU相比， FPGA需要更少的计算资源，但成本更高，编程能力有限。
ASIC：通常采用定制设计，在性能、成本和功耗方面效率更高。

文章图片
传统的CPU和GPU努力满足L4和L5自动驾驶级别的高计算要求，其中FPGA/ASIC均优于CPU/GPU 。自动驾驶汽车需要足够的算力才能成为''车轮上的数据中心'' 。考虑到汽车应用的复杂性，仅考虑算力是远远不够的，人工智能汽车处理器的能源效率、性能和成本效益也应考虑在内。因此全定制ASIC在更低功耗、性能和成本方面远优于GPU/FPGA 。这也正是AI专用ASIC加速器在自动驾驶计算平台上的集成正蓬勃发展的重要原因。