כלי רכב אוטונומיים משנים את ההובלה על ידי מתן מכוניות לנווט ולפעול ללא התערבות אנושית.טכנולוגיית מפתח מאחורי המהפכה הזו היא השימוש במעבדי אותות דיגיטליים בעלי יכולת גבוהה (DSPs) מעבדים מיוחדים אלה מטפלים בניתוח נתונים מורכב בזמן אמת, מה שהופך נהיגה אוטונומית ויעילה יותר. כמו תעשיית הרכב לעבר אוטונומיה מלאה, שילוב של בינה מלאכותית עם ביצועים גבוהים הפך אבן הפינה של תפיסה, החלטות ופתרונות אוטונומיים, מעקב, וטכנולוגיות בקרה, , , , למערכות אבטחה מתקדמות.

מה הם מעבדי DSP?

מעבדי אותות דיגיטליים (DSPs) הם מיקרומעבדים מיוחדים אופטימיזציה לעיבוד מהיר של אותות בעולם האמיתי כגון אודיו, וידאו, טמפרטורה, לחץ, ו מכ"ם מסורתי DSPs מצטיינים בפעולות מתמטיות כמו אבולוציה, סינון, ו Fast Fourier Transforms (FFT) עם יעילות גבוהה וגמישות נמוכה. כאשר משופרת עם יכולות בינה מלאכותית, מעבדים אלה מקבלים את היכולת לבצע אלגוריתמים ממוחשבים - במיוחד יכול לזהות תבניות אבטחה אוטונומיות, במיוחד על ידי תאים עצביים, אשר יכול לזהות באופן עצמאי.

אדריכלות ומפתחים

AI-enabled DSPs בדרך כלל לשלב הליבה DSP קונבנציונלי עם מאיץ רשת עצבית ייעודי, זיכרון על שבב, וממשקים עבור חיישן. מאיץ עצבי עשוי להיות יחידת multiplication ממטריקס, מערך סיניסטולי, או הפיכה של מנוע convolutional רבים, מעבדים מודרניים כוללים גם יחידות עיבוד ותמיכה עבור מעורבות (למשל, מהירות קידוד CPU לבלוקים באופן ישיר בין מנועי CPU.

איך הם מתים ממעבדים ו- GPUs

יחידות עיבוד מרכזי (CPUs) מציע גמישות אבל לצרוך יותר כוח לפעולה עבור משימות עיבוד אותות.גרפיקה עיבוד יחידות (GPUs) להצטיין בעומסי עבודה מקבילים אבל לעתים קרובות דורש רוחב פס חיצוני שיכול להציג כוח ועונשים בגודל. AI-enabled DSPs להכות איזון ייחודי: הם מספקים עיבוד קביעתי, נמוך יחסית עבור זרימת נתונים תוך השגת גבוה באמצעות עומס עצבי עבור רשת נית - לעתים קרובות שבריר של כוח קיבולת גבוהה של כוח קיבולת גבוהה של כוח RM.

תפקיד ברכבים אוטונומיים

מעבדי DSP של AI הם מרכזיים במספר פונקציות קריטיות בכלי רכב אוטונומיים.הם פועלים כגשר בין נתוני חיישן גולמי ופקודות נהיגה פעולה.התתת הבאה מפרטת את האחריות העיקרית שלהם.

עיבוד נתונים

כלי רכב אוטונומיים מסתמכים על חבילת חיישנים:0lidarirphFLT ( 1:1 עבור עננים נקודה 3D, FLT:2radarveFLT 3 עבור מהירות ומרחק, FLT:4 הפך FLT:5 עבור זיהוי מסגרת הראייה, ו-FLT 6ultrasonic חיישנים עבור קרבה לטווח קצר, כל אחד מהם מייצר זרם של אותות דיגיטליים, לדוגמה, פילטרים, ו-DSP).

גילוי אובייקטים וזיהוי

באמצעות רשתות עצביות מהפכתיות (CNN) ומודלים המבוססים על הטרנספורמציה, AI-enabled DSPs לזהות הולכי רגל, רוכבי אופניים, כלי רכב אחרים, סימני כביש, סימוני נתיב, ומכשולים.שילוב של AI מאפשר למעבדים אלה לסווג אובייקטים עם דיוק גבוה אפילו בתנאים מאתגרים - אור נמוך, מזג אוויר שלילי, או חלקית של ביצועים בזמן אמת; מערכת טיפוסית חייבת להיות בעלת טווח של עד 30-S ל- 2 עד 2 ל- 2 ל- 2 ל- 2 ל- 2 ל- 2.

קבלת החלטות ותכנון נתיב

מעבר לתפיסה, AI-enabled DSPs לסייע בקבלת החלטות.הם יכולים להפעיל מודלים של למידה חיזוק או לוגיקה מבוססת הכלל להעריך תרחישים נהיגה, לחזות את ההתנהגות של משתמשים אחרים, ולתכנן מסלולים בטוחים.בכמה ארכיטקטורות, DSP מטפל בלולאות שליטה נמוכה - הפעלת היגוי, מתפתל, האצה, בהתבסס על תפוקה מתוכנית ברמה גבוהה יותר, אשר מבטיחה אותות בקרה מדויקים של DSP קריטיים.

תגובה בזמן אמת ו-Sense Fusion

היתוך חושי הוא תהליך של שילוב נתונים מחיישנים מרובים כדי ליצור ייצוג מאוחד של הסביבה. AI-enabled DSPs מצטיינים בזה כי הם יכולים במקביל לעבד לידר, מכ"ם, מצלמה, אותות קולי באמצעות בסיס זמן משותף. לדוגמה, DSP יכול ליישר ענן נקודת לימוזינה עם תמונה מצלמה, ולאחר מכן להפעיל רשת עצבית רב-מתית כדי לזהות אובייקטים גדולים יותר מאשר לבד חיישן חיובי או יותר.

היתרונות של AI-Enabled DSPs

בהשוואה למעבדים מסורתיים ואפילו כמה מאיצים של AI, AI-enabled DSPs מציעים כמה יתרונות המתאימים במיוחד ליישומים נהיגה אוטונומית.

עיבוד מהיר עם Latency deterministic

כלי רכב אוטונומיים חייבים להגיב לסיכונים במילימטרים. AI-enabled DSPs להשיג שקיפות נמוכה וצפויה כי הם נועדו עבור הזרמת נתונים ויכולים לבצע צינורות ללא overhead.לדוגמה, צינור עיבוד לינדר טיפוסי - מהנתונים הגולמיים ועד גילוי אובייקטים - יכול להשלים בתוך 10 מ"ט על התנגשות ממוטבות, בהשוואה ל-30-50-2 שניות על פערים מאובטחים בין CPU באופן כללי.

אנרגיה יעילה

צריכת חשמל היא מעצמה מרכזית בכלי רכב חשמליים היברידיים. AI-enabled DSPs בדרך כלל לצרוך 5-15 וואט עבור עומסי עבודה מלאים, בעוד מערכת מבוססת GPU עשויה לדרוש 150-300 וואט.יעילות זו מרחיבה טווח נהיגה ומפחיתה את דרישות ניהול תרמי.לדוגמה, מעבדי S32V של NXP משלבים יחידת DSP ועיבוד עצבי (NPU) המספקים 1.1S סטנדרטיים של שיטות הפעלה של מספר וואט.

יעילות מוגברת באמצעות למידה

בעוד שרוב ההיקף נעשה עם מודלים מאומנים מראש, כמה AI-enabled DSPs תמיכה למידה מצטברת או כוונון עדין על קצה.זה מאפשר לרכב להסתגל לסביבה הנהיגה שלו עצמו - לימוד דפוסי תנועה, סימוני כביש ספציפיים, או מכשולים רגילים.הקוד של DSP עיבוד אותות גם משפר את איכות הנתונים, אשר משפיע ישירות על דיוק.

עיצוב קומפקטי ונאמנות

AI-enabled DSPs הם לעתים קרובות ארוזים כמו מערכת-על-כיפים (SoCs) הכוללים זיכרון, ממשקים, ותכונות אבטחה שבב יחיד.אינטגרציה זו מפחיתה את שטח לוח וספירת רכיב, אשר חיוני לייצור כלי רכב שבו כל מילימטר מעוקב חשוב.בנוסף, DSPs נבנות לאמינות ארוכת טווח בתנאים קשים (טווחי זמן מ-40 עד +C לתקני אבטחה ISO- 262C) כמו תקן בטיחות רכב (AC).

אתגרים ומגבלות

למרות היתרונות שלהם, ספקיות AI-enabled DSP מתמודדות עם כמה אתגרים שיש לטפל בהם לאימוץ נרחב בכלי רכב אוטונומיים.

מורכבות תכנות

אופטימיזציה של רשתות עצביות עבור ארכיטקטורות DSP דורש ידע מיוחד של ספקולטיבית נקודה קבועה, היררכיות זיכרון, ומקבילות ברמת ההוראה.מהנדסי תוכנה רבים תוכנה לרכב מוכרים יותר עם GPU או CPU תכנות. חברות כמו FLT:0Texas InstrumentsFLT:1 ו FLT:2QualcommFLT 3 מפותחים יש SDKs, אך ורק פורמט למידה הוא עדיין מורכב כמו DFlow.

סקלאלה לדרגה גבוהה יותר של אוטונומיה

רוב ה- AI-enabled DSPs יכול להתמודד עם רמה 2 + (אוטומציה חלקית) ורמה 3 (אוטומציה מותנית) עומסי עבודה (רמת 4 (אוטומציה גבוהה) ורמה 5 (אוטומציה מלאה), דרישות חישוביות לעיבוד נתונים מ 10 עד 20 מצלמות, מספר לידרים ברזולוציה גבוהה, ו 4D מכ"מים עשויים לדרוש מערך של DSPs או בשילוב עם אחרים מאיץ, נשארות גבוהה עבור ביצועים קיצוניים, עלות, עלות.

אישור אבטחה ובטיחות

אבטחה ובטיחות פונקציונלית הן לא ניתנות להשגה. AI-enabled DSPs חייב להיות מוסמך ASIL-D (Automotive Safety Integrity Level D) לשימוש במערכות ניווט או בלם-by-wire-by-wire.Achieving הסמכה זו דורש תיעוד משמעותי, חומרה מאומתית וקוד תיקון שגיאות (EC) בנוסף, התקפות אדמירליות על רשתות למניעת חיטוי ומניעה יכולות להטמיעו את הפחתת הפחתת הפחתת הזיהוי ופעולות כגון מוטציות;

שחקנים מרכזיים וטכנולוגיות

כמה חברות נמצאות בחזית של פיתוח מעבדי DSP של AI-enabled לשימוש במכוניות. המוצרים שלהם מפגינים את המגוון של גישות בתחום זה.

  • (FLT:0)Texas Instruments (TI): LT:1 The TDA4VM ו- TDA4VH SoCs משלבים DSPs, מאיץ למידה עמוק, ו- כפול-core ARMx-A72. הם משמשים במערכות מתקדמות של ניהול נהגים מתקדמים (ADAS) מספקי tier-one.
  • (FLT:0NXP Semiconductors:FLT:1, משפחת S32V משלבת את ה- DSP של קוואדר (מבוסס על הליבה VisioN) עם מעבד זיהוי תמונות ו מאיץ מכ"ם.זה מכוון לפני ה-Randertra ויישומים של היתוך מכ"ם.
  • (FLT:0)Qualcommmia:FLT:1 פלטפורמת Snapdragon Ride כוללת מנוע AI עם וקטור DSPs (Qualcomm Hexagon) פועל רשתות עצביות מייעלות.הוא תומך בפתרונות מדרגיים מרמה 1 עד רמה 4.
  • (FLT:0)Renesas:FLT:1 , R-Car V3U ו V4H SoCs תכונה ליבה יעילה DSP בשילוב עם מאיץ חומרה CNN, עם דגש על מערכות ראיית חשמל נמוכה.
  • (FLT:0)Cadence:FLT:1 מציע מותאמים אישית Tensilica Vision DSPs שניתן להתאים עם הרחבות עיבוד עצבי.הם לעתים קרובות מורשה על ידי חברות שבב רכב לשילוב לתוך SoCs קניינית.

פלטפורמות אלה מדגישות את המגמה של הטמעת AI ישירות לתוך צינורות DSP ולא להתייחס אליהם כמעבדים נפרדים.עבור מבט מעמיק יותר כיצד מעבדים אלה משווים, ניתוח רזולוציה:0comprehensive על ידי EDNFLT:1 מספק קריטריונים על ידי שימוש ויעילות כוח.

פרספקטיבה עתידית

שילוב של מעבדי DSP של AI-enabled בכלי רכב אוטונומיים צפוי להאיץ.בעוד אלגוריתמים AI הופכים יעילים יותר חומרה ממשיכה לכווץ, כמה מגמות יעצבו את הדור הבא של פלטפורמות קידוד רכב.

התקדמות ב-Nural Architecture Search (NAS)

חוקרים משתמשים בנאס"א בעיצוב רשתות עצביות אשר מייעלות במיוחד עבור חומרת DSP - פעילות גופנית, גישה זיכרון ודיוק.רשתות אלה יכולות להשיג דיוק גבוה יותר עם פחות חישובים, המאפשרות ביצועים בזמן אמת על ליבות DSP קטנות יותר.זה אומר כי בעתיד AI-enabled DSPs לא יהיה צורך להיות חזק כמו להשיג את אותן משימות, צמצום עלויות וצריכת חשמל עוד.

שילוב עם Edge וענן

DSPs AI-enabled יעבוד יותר ויותר עם אימון מבוסס ענן ועדכונים אוויריים over-the-air. בעוד DSP מטפל בהקצאה בזמן אמת, הרכב יכול להעלות מקרים קצה (למשל, דפוסי תנועה יוצאי דופן) לשרת ענן עבור אימון מחדש.מודל מעודכן ניתן לדחוס ולהוריד בחזרה ל-DSP.מערכת יחסים סימביוטית זו מאפשרת שיפור מתמשך ללא החלפת חומרה.

דרגה 5 Autonomy

עבור אוטונומיה מלאה בכל התנאים, כלי רכב יצטרכו לעבד הזמנות של נתונים גדולים יותר.טכנולוגיות מתפתחות כגון זיכרון 3D-stacked, photonics סיליקון עבור ממשקי חיישן, ואריזות מתקדמות (למשל, ארכיטקטורות שבב) יאפשרו AI-end DSPs כדי להקטין באופן דרסטי את ה-DSPloads של עיבוד נתונים.לדוגמה, שבבים מרובים ניתן לשלב באמצעות אינטרכוס כדי ליצור מערך מעבד המספק מעקב מותאם אישית (כגון חיישנים סטנדרטיים).

סטנדרט ומערכת פתוחה

כדי להוריד את המחסום לכניסה, סטנדרטים כמו לינוקס של כיתה הרכב (AGL) ואת מערכת ההפעלה הרובוטית עבור כלי רכב (ROS 2) פועלים כדי ליצור פשטות המאפשרות רשת עצבית לפעול באופן שקוף על DSPs. חברות כמו FLT:0ArmphsFLT:1 מפתחים הרחבות הדרכה פתוחות עבור DSPs התומכים בפעילות AI משותפת.

מסקנה

AI-enabled Digital Signal Processors הם אמצעי מניעה קריטי של טכנולוגיית רכב אוטונומית.על ידי שילוב הדטרמיניזם של DSPs בזמן אמת עם כוח זיהוי דפוס של בינה מלאכותית, הם מספקים את המהירות, היעילות והדיוק הנדרש עבור נהיגה עצמית. בעוד אתגרים נשארים במורכבות, דרוג יכולת, הסמכה, התקדמות מהירה בעיצוב, אופטימיזציה רשת עצבית, תמיכה בעתיד שבו כל אחד מהם הופך להיות פעיל של מעבדים אוטונומיים של מערכת ההפעלה של 5.

לקריאה נוספת על האבולוציה הטכנית של מעבדי הרכב, מתייחס סקר ה-FLT:0 (IEEE) על ארכיטקטורות DSP עבור אוטונומי נהיגה FLT:1 ואת ה-FLT:2 Embedded.com מדריך על מערכות AI בזמן אמת AIREFLT 3: 3.