自动驾驶汽车需要专门的硬件来人工智能算法来满足性能,权力,和成本要求。
人工智能(AI)和机器学习的进步(ML)可以说是过去十年最重要的技术创新。尽管人工智能的算法已经存在多年,最近爆发的两个数据以及更快的计算成为可能将这些算法应用于解决许多现实生活的用例。这些用例的一个最著名的是完全自动化的无人驾驶汽车。
神经网络,这是人工智能的一个特殊领域,扮演一个关键的角色在实现完全自治的驱动器。但开车没有人工干预不仅需要一个复杂的框架的传感器捕获的车辆数据而且环境。这些传感器包括激光雷达、雷达、视频摄像头等等,不断生成大量数据实时汽车周围的环境。神经网络帮助合成数据和创建有意义的信息。这就使车辆实时做出反应。
这就产生了另一个问题需要解决。直到最近,大多数的ML算法在云被处死或数据中心和大型阵列的处理器或gpu,和广泛的冷却。这是不可能的自主车辆。由于实时的本质问题,对象检测以及其他方面需要发生在车辆本身;发送数据到云不会工作。因此,自动驾驶汽车需要专门的硬件可以实现ML算法和满足性能、功率和成本需求,使其可行。
实现ML算法在硬件本身就是一个挑战。举个例子,一个共同的目标检测算法是基于cnn(卷积神经网络),帮助“自适应巡航控制系统”,在“向前/后碰撞预警系统”——显然至关重要的功能实现全自动车辆。CNN是由多个层,每一层执行多组曲线玲珑。每一层的卷积过滤器”功能探测器“编程寻找某些特征如水平线、垂直线等。
是很常见的输入和输出通道的数量翻倍作为数据进展通过层,导致爆炸的卷积过滤器以及滤波器权重(系数)。图1显示,第一层有一个输入通道和16个输出通道,它需要16个不同的卷积过滤器内核。第二个36层有16个输入通道和输出通道需要36×16 = 576二维卷积过滤器。在许多美国有线电视新闻网的最后一层(s)是由完全连接层通常使用矩阵乘法来实现。
图1所示。简单的双层CNN对字符识别
实现ML算法在硬件是具有挑战性的。实现精度,一个推理芯片自主车辆需要解决以下问题:
最大的挑战是传统的ASIC设计流程的周转时间。需要几个月到一年的某个地方实现一个新的硬件ASIC。
最初,一个自治系统架构师和设计师依靠TensorFlow等工具,咖啡,MATLAB和theano帮助捕获,收集和明确验证高层抽象环境中的数据。这些高水平的深度学习框架允许探索多种参数的探索,分析和选择的最优解算法(图2)。
一旦确定算法,然后设计师抓住了在c++或SystemC流动。下一步是开始设计实际的硬件算法独立应用程序块。最有效的方法是使用高级合成(HLS)从c++或SystemC生成RTL。
HLS分离功能和强大的功能与实现目标和实现在任何时间。因此,HLS加速算法设计时更高层次的抽象导致50 x不如RTL代码。这意味着更小的设计团队,缩短开发时间和更快的验证。
图2。高层次综合设计流程
接下来的一步是验证包括正式财产检查和产品毛羽作为流程的一部分,以确保源代码是“干净”的合成和模拟。而且,可以测量代码覆盖率工具是必需的,包括线、分支,和表达的报道。是正确的目标是实现RTL建设通过精确的一致性的表达和模拟结果之间的c++算法和合成RTL。
从导师HLS平台和PowerPro弹射器解决方案,西门子的业务,是行业领先的HLS平台证明结果的质量。弹射器赋予设计师使用行业标准ANSI c++和SystemC描述功能意图和移动到更有意义的抽象层次。高级合成的弹射器平台提供了一个强大的组合搭配PowerPro测量,探索、分析和优化的RTL力量和一个验证基础设施无缝c++和RTL的验证。
要了解更多,请下载我们的白皮书高级合成自主开车。找出algorithmic-intensive设计自动车辆HLS——以及如何更适合采用的方法已成功主要半导体供应商博世,意法半导体,Chips&Media在汽车空间。
|
|
|
|
|
|
|
|
|
留下一个回复