Özerk araçlar, otomobillerin insan müdahalesi olmadan dolaşmasına ve işletilmesine olanak sağlayarak ulaşımı dönüştürüyor. Bu devrimin arkasındaki anahtar teknoloji, AI'nın etkin bir dijital Signal Processors (DSPs) kullanımıdır. Bu makale, mimariyi, avantajlarını, DSP işlemcilerini otonom olarak kullanan ve daha verimli bir şekilde ele alıyor.

AI-Enabled DSP Processors nedir?

Dijital Signal Processors (DSPs) yüksek verimlilik ve düşük gecikmeli akışlar için optimize edilmiş mikroişlemcilerdir, bu işlemciler makine öğrenme algoritmalarının yürütülmesi gibi gerçek dünya sinyalleri ile elde edilir -özellikle de sinir ağları - geçici olarak sinyal verileri gibi matematiksel işlemlerde kullanılır.Bu füzyon, yüksek verimlilik ve düşük gecikmeli kararları ile yorumlayabilen güçlü bir işlem birimi oluşturur.

Mimari ve Anahtar Bileşenleri

AI-kanık DSPler genellikle geleneksel bir DSP çekirdeği, özel bir sinir ağ hızlandırıcıları ile birleştirir, bellek ve sensör girişleri için arayüzler. Sinir hızlandırıcısı, bir matris multiplikasyon ünitesi, bir sempistimal convolutional motor. Birçok modern işlemciler aynı zamanda vektör işleme birimleri ve karma-precision arithmetic (e.g., INT8, FP16) hızlı ve doğrulukla akışa doğru bir şekilde akış sağlar.

CPU'lardan ve GPU'lardan nasıl Differ

Central Processing Birimleri (CPUs) esneklik sunar ancak sinyal işleme görevleri için operasyon başına daha fazla güç harcarlar. Graphics Processing Unit (GPUs) paralel iş yüklerinde öne çıkar, ancak genellikle güç ve boyut cezalarını sunabilen dış hafıza gerektirir. AI-kan DSPs eşsiz bir dengeye sahiptir: ısı ve enerji kısıtlamalarının önemli olduğu yerlerde yüksek akış için düşük çözünürlük işleme sağlar.

Özerk Araçlarda Rol

AI-kanık DSP işlemcileri, otonom araçlardaki birkaç kritik işlevin merkezidir. ham sensör verileri ve eylem edilebilir sürüş komutları arasındaki köprü olarak hareket ederler. Aşağıdaki alt bölümler birincil sorumluluklarını detaylandırır.

Sensör Data Processing

Özerk araçlar bir sensör paketine güveniyor: [FONTD:0]lidar[[DD noktası bulutlar için )Görünen DSP'ler için sürekli bir akış oluşturur.[D) AI-enzervasyon ve mesafe için [DD:0], görsel tanıma için ekstraksiyon ve DSP'ler için ekstraksiyonlar.

Object Tespit ve Tanımlama

Konvolutional sinir ağları (CNNs) ve dönüştürücü tabanlı modeller kullanarak, AI-kandırlı DSP'ler yayaları, bisikletçiler, diğer araçlar, yol işaretleri, şerit işaretleri ve engeller. AI entegrasyonu, bu işlemcilerin zor koşullarda bile nesneleri sınıflandırmasına izin verir - hafif, negatif hava koşulları veya kısmi iyonu tanımlamak için. Gerçek zamanlı performans kritiktir; tipik bir sistem aynı anda birden fazla kameradan ikinci olarak 30-60 çerçeveyi bir şekilde işlemeli.

Karar Verme ve Yol Planlaması

Algın ötesinde, AI özellikli DSPler karar vermede yardımcı olur. Test modellerini veya kural tabanlı mantığı kullanarak senaryoları değerlendirmeyi, diğer yol kullanıcıların davranışlarını tahmin edebilir ve bu kontrol sinyallerinin güvenli zamanlayıcılarını planlayın. DSP, güvenlik düzeyindeki kontrol döngüsüyle idare eder - direksiyonu, frenleme ve hızlandırma komutları - daha üst düzey bir planlayıcıdan çıktılara dayanarak.

Gerçek zamanlı Yanıt ve Sensör Fusion

Sensör füzyon, veriyi birden çok sensörden bir araya getirme sürecidir, bir kamera görüntüsü ile birleştirilmiş bir görüntü oluşturabilir. AI-kanık DSPs bunu başarır, çünkü aynı anda kapaklı, radar, kamera ve ultrasonik sinyaller ortak bir zaman üssü kullanarak. Örneğin, DSP bir kapak noktası bulutu bir kamera görüntüsü ile birleştirir, o zaman tek başına sensörden daha fazla güvene sahip nesneleri tespit etmek için çok yönlü bir sinir ağı çalıştırın.

AI-Enabled DSPs'lerin Avantajları

Geleneksel işlemcilere kıyasla ve hatta bazı AI hızlandırıcılarına kıyasla, AI-kandırlı DSP'ler özellikle otonom sürüş uygulamaları için uygun olan birkaç fayda sunuyor.

Deterministic Latency ile Yüksek Hız İşleme

Özerk araçlar milisaniyelerde tehlikelere cevap vermelidir. AI-kanık DSP'ler düşük ve öngörülebilir bir gecikme elde ederler çünkü verileri akış için tasarlanırlar ve güvenli bir durdurma ve çarpışma arasındaki farkı engelleyebilirler.

Enerji Verimliliği

Güç tüketimi elektrik ve hibrit araçlarda büyük bir kısıtlamadır. AI-kandırlı DSP'ler genellikle tam özerk çalışma yükleri için 5–15 watt tüketiyor, ancak GPU tabanlı bir sistem 150-300 watt gerektirir. Bu verimlilik sürüş aralığı genişletir ve ısı yönetimi gereklilikleri azaltır. Örneğin, NXP'nin S32V işlemcisi, tipik işletim koşullarında 1.1 TOPS'u sağlayan bir DSP ve sinir işleme ünitesini birleştirir.

On-Device Öğrenmeleri ile Geliştirilen Haklar

Çoğu inference önceden eğitilmiş modeller ile yapılırken, bazı AI-kandırlı DSP'ler doğrudan doğrulama veya doğrulamayı destekler.Bu, aracın kendi sürüş ortamına adapte olmasını sağlar - trafik modelleri, özel yol işaretleri veya alışkanlık dışı engeller. DSP'nin sinyal işleme mirası da verileri kalitesini artırır, doğrudan doğruyu etkiler. daha az yanlış yorumlama anlamına gelir.

Compact Design and Reliability

AI-kanık DSPler genellikle her metre milimetrenin önemli olduğu sistem-çipler (SoCs) olarak paketlenir ve AEC-Q100 ve ISO 26262 (işlevsel güvenlik) gibi tek bir çipde bellek, arayüzler ve güvenlik özellikleri içerir.

Meydanlar ve Sınırlar

Avantajlarına rağmen, AI özellikli DSP'ler, otonom araçlarda yaygın olarak kabul edilmek için ele alınması gereken birkaç zorlukla karşı karşıyadır.

Programlama Kompleksi

DSP mimarlıkları için optimizasyon ağları, sabit nokta arithmetic, hafıza hiyerarşileri ve öğretim düzeyinde paralellik konusunda uzmanlaşmış bir bilgi gerektirir.Birçok otomotiv yazılım mühendisi GPU veya CPU programlaması gibi firmalara daha aşinadır.(0)Texas Instruments). ve [[FONT=2).Qualcomm) gelişmiş SDKlar ve modelleme araçları gelişmiştir, ancak öğrenme eğriliği sabit kalır.

Daha Fazla Autonomy Seviyeleri için Uygunluk

Mevcut AI'nın en uygun DSP'leri Seviye 2+ (partial otomasyon) ve Seviye 3 (kahkaha otomasyon) iş yükleri için. Seviye 4 (yüksek otomasyon) ve 5 (tam otomasyon), hesaplama talepleri, gökselleştirme verileri 10-20 kameradan, çok yüksek performanslı kapaklı pencerelerden yararlanabilir ve 4D görüntüleme radarları başka bir hızlandırıcı ile birlikte bir dizi DSP veya kombinasyon gerektirir.

Güvenlik ve Güvenlik Sertifikaları

Hem güvenlik hem de işlevsel güvenlik, yönetilemez bir şekilde değildir. AI-kandırlı DSP'ler ASIL-D (Automotive Safety Integrity Level D) yönlendirmede kullanılır; D-wire veya frenleme sistemleri, bu sertifikayı kullanmak, reddant donanım ve hata kayıtlandırma kodu (ECC) hafızaya katılmak için gerekli olan savunma sistemleri.

Anahtar Oyuncular ve Teknoloji Teknolojileri

Çeşitli şirketler, AI'nın verimli DSP işlemcilerini otomotiv kullanımı için geliştirmenin ön plandadır. Ürünlerimiz bu alanda çeşitli yaklaşımlar göstermektedir.

  • [FONT:0]Texas Instruments (TI): TDA4 VM ve TDA4VH SoCs, DSP'leri, derin bir öğrenme hızlandırıcısını ve çift çekirdekli bir ARM Cortex-A72'yi bir araya getiriyor.
  • [FONT=0]NXP yarı iletkenleri: [Dönetici: [Dönetici:0] [FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=TRNT=FONT=TRNT=FONT=TRNT=FONT=FONT=FONT=FONT=STRNT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=TRNT=FONT=FONT=FONT=FONT=FONT=TRNT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=TRNT=FONT=FONT=FONT=FONT=
  • [FONT:0)Qualcomm: [Döntme:[Döntgen: 0] [Döntücük Ride platformu, vektör DSPs ile bir AI motoru içeriyor (Qualcomm Hexagon) en uygun şekilde optimize edilmiş sinir ağları.
  • [FONT:0)Renes:[Dönetici:[Dönetici: · 1 ) R-Car V3U ve V4H SoCs, düşük güç çevre-görev sistemlerine odaklanarak, CNN donanım hızlandırıcı ile birlikte verimli bir DSP çekirdeği sunuyor.
  • [FONT:0)Cadence:[[Dönetici:0) Özelleştirilmiş Tensilica Vision DSP'ler, sinir işleme uzantılarıyla uyarlanabilirler.

Bu platformlar, AI'yı doğrudan DSP boru hattına dikme eğilimini vurgular, onları ayrı bir işlemci olarak tedavi etmek yerine daha derin bir görünüm için bu işlemciler kıyasla nasıl karşılaştırır, aİLFLT:0) EDN) tarafından kapsamlı bir analiz, transkript ve güç verimliliği ile ilgili değerlendirmeler sağlar.

Future Perspektifleri

AI'nın etkinleştirilmiş DSP işlemcilerinin entegrasyonunun hızlanması bekleniyor. AI algoritmaları daha verimli hale geliyor ve donanım bir sonraki otomotiv hesap platformlarını şekillendirecek birkaç trendi şekillendirecek.

Neural Architecture Search (NAS)'da ilerlemeler

Araştırmacılar, DSP donanım için özellikle optimize edilmiş olan sinir ağları tasarlamak için NAS kullanıyor - aynı görevleri gerçekleştirmek, hafıza erişimi ve hassas. Bu ağlar daha az hesaplamalarla daha yüksek doğruluk elde edebilir, daha küçük DSP çekirdeklerinde gerçek zamanlı performans sağlar. Bu, gelecekte AI-kandırlı DSP'lerin aynı görevleri yerine getirmek için güçlü olması gerektiği anlamına gelir.

Edge ve Cloud ile entegrasyon

AI-kanık DSP'ler bulut tabanlı eğitim ve DSP'nin gerçek zamanlı çıkarımını yaparken, araç, kenar davalarını (örneğin, olağandışı trafik kalıpları) yeniden eğitme için yüklemeye devam edebilir.

Seviye 5 Autonomy

Tüm koşullar altında tam özerklik için, araçlar AI'nın daha fazla veri siparişlerini işlemesi gerekecek.Ining technologies such as 3D-stacked memory, silikon fotoniks for sensör arabirimleri, ve gelişmiş paketleme (e.g, çiplet mimarisi) AI-kanık DSP'lerin ölçeklendirmesini sağlayacak. Örneğin, birden fazla DSP çipleri doğal olarak işleme ve yönetmeyi sağlayan bir işlemci dizisi aracılığıyla bir araya getirilebilir.

Standartlaştırma ve Açık Ekosistemler

Giriş için bariyeri düşürmek için, Otomotiv Grade Linux (AGL) gibi standartlaştırma organları ve Robot İşletim Sistemi (ROS 2), DSP'lerin şeffaf bir şekilde kullanılmasını sağlayan soyutlamalar oluşturmak için çalışıyor.Akılışlı DSP'ler gibi şirketler:0)Arm) DSP'ler için açık eğitim hatları genişletiyor.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

AI-kanıtlı Dijital Signal Processors, otomatik olarak şarj için kritik bir olasılıktır. Gerçek zamanlı determinism of traditional DSPs with the pattern tanıma gücü ile, verimlilik ve doğruluk için gerekli olan, AI-kanık zorluk, yazılım karmaşıklığı, ölçeklenebilirlik ve sertifikalandırma, işlemci tasarımı, sinir ağı optimizasyonu ve ekosistem desteği, bu çiplerin her otonom araçta standart hale geldiği bir geleceğe doğru ilerler.

Otomotiv işlemcilerinin teknik evrimi hakkında daha fazla okuma için, gerçek zamanlı AI sistemlerine )IEEE araştırmasına atıfta bulun). ve [[ŞUygunluk:2|Embedded.com gerçek zamanlı AI sistemleri üzerine kılavuz).