新一代汽車(chē)深度學(xué)習(xí)架構(gòu)趨勢(shì)

下一代汽車(chē)的車(chē)輛電子系統(tǒng)正在以電動(dòng)化和自動(dòng)駕駛為中心發(fā)展。圖中描述了車(chē)輛電控系統(tǒng)的演進(jìn)。

現(xiàn)有的車(chē)輛電子控制系統(tǒng)中，由于每個(gè)功能域由駕駛員直接控制，因此每個(gè)域之間的通信是松散耦合的，并且為了不受其它域的影響，域之間是相對(duì)獨(dú)立的。另一方面，自動(dòng)駕駛時(shí)代的電控系統(tǒng)是由一個(gè)名為Vehicle computer的中央控制系統(tǒng)來(lái)代替駕駛員來(lái)控制自動(dòng)駕駛功能，各域之間的通信會(huì)相對(duì)多一些（緊耦合），域之間的獨(dú)立性會(huì)低一些。此外，隨著控制程序的規(guī)模呈指數(shù)級(jí)增長(zhǎng)，安全的OTA（Over the air）變得至關(guān)重要，OTA的目標(biāo)硬件將從終端硬件轉(zhuǎn)向中心硬件，以確保OTA的控制。（紫色箭頭）此外，中控系統(tǒng)與Cloud之間的通信也是系統(tǒng)的必備條件。

EV自動(dòng)運(yùn)轉(zhuǎn)中的電力影響

接下來(lái)，我們將討論EV中自動(dòng)駕駛的功耗挑戰(zhàn)。

我們來(lái)考慮一下典型的EV汽車(chē)行駛100Km所需的電池容量。例如，如果您以EPA城市模式行駛，100公里時(shí)耗電量為14.6 KWh，但如果您以22.7 Km的平均時(shí)速在城市中行駛，100公里需要4.4小時(shí)。這里考慮到目前的Robo taxi，假設(shè)整個(gè)自動(dòng)駕駛功能耗電量為2KW左右，行駛4.4小時(shí)需要8.8 KWh的電量，如果這輛EV車(chē)的搭載電池為75KWh，那么在100Km自動(dòng)行駛過(guò)程中，自動(dòng)駕駛功能消耗了12%的電池容量。為了讓這個(gè)電池容量的消耗降到1%以下，整個(gè)自動(dòng)駕駛功能的功耗必須降到150W以下。在自動(dòng)駕駛中，消耗最多計(jì)算功率的深度學(xué)習(xí)的低功耗是多么重要，從這個(gè)數(shù)字也可以看出。而且，隨著深度學(xué)習(xí)的應(yīng)用領(lǐng)域今后也將不斷增加，這一改進(jìn)在SDGs和ESG的觀點(diǎn)上也將變得更加重要。

邊緣設(shè)備異構(gòu)計(jì)算中的性能優(yōu)化

與數(shù)據(jù)中心中使用的CPU和GPU不同，邊緣設(shè)備的電源和目標(biāo)成本受到嚴(yán)格限制。因此，在邊緣設(shè)備中，異構(gòu)體系結(jié)構(gòu)與硬件或特定應(yīng)用處理器相結(jié)合，具有最適合目標(biāo)應(yīng)用的功能，是產(chǎn)品的關(guān)鍵。因此，在ADAS和AD領(lǐng)域，R-Car V系列提供硬件IP，可編程處理器和CPU的組合LSI。下圖顯示了R-Car V3H的硬件配置示例。

采用Streaming Architecture

ADAS和AD領(lǐng)域的深度學(xué)習(xí)引擎（CNN-IP）需要較高的TOPS值，CNN-IP的低功耗是決定整個(gè)芯片功率的一大因素。因此，Renesus采用了多種體系結(jié)構(gòu)中能效最高的Streaming architecture。在Streaming Architecture中，CNN-IP最大限度地減少了對(duì)外部存儲(chǔ)器的訪問(wèn)，并以低功耗在每個(gè)處理器元件(PE)和SRAM之間高效地傳輸數(shù)據(jù)。

瑞薩的ADAS/AD在執(zhí)行深度學(xué)習(xí)時(shí)的LSI功率目標(biāo)在前攝ECU中為5W或更低，在中央ADAS ECU中為30W或更低，這使得系統(tǒng)的風(fēng)冷散熱成為可能。這些功率目標(biāo)成為在量產(chǎn)普及車(chē)中實(shí)際應(yīng)用ADAS/AD系統(tǒng)的重要指標(biāo)。

瑞薩的AI架構(gòu)

在自動(dòng)駕駛領(lǐng)域，深度學(xué)習(xí)的應(yīng)用將繼續(xù)推進(jìn)，適應(yīng)新的網(wǎng)絡(luò)將變得至關(guān)重要。因此,除了Streaming architecture以外,面向特定用途的添加了programmable processor的形式也被定義為面向汽車(chē)的AI computing architecture,并繼續(xù)進(jìn)行開(kāi)發(fā)。在Streaming processor側(cè)對(duì)占現(xiàn)狀調(diào)整的95%以上的卷積運(yùn)算、Activation、Pooling處理等進(jìn)行處理,在programmable processor側(cè)對(duì)應(yīng)新的函數(shù),尋求兼顧電力和靈活性。

最后，我將介紹雷薩斯汽車(chē)AI解決方案的應(yīng)用開(kāi)發(fā)中不可或缺的開(kāi)發(fā)工具。汽車(chē)AI需要不同的開(kāi)發(fā)環(huán)境，包括相機(jī)，網(wǎng)關(guān)和中央ADAS，如下圖所示，我們與在R-Car聯(lián)盟多年合作的強(qiáng)大合作伙伴提供交鑰匙解決方案和應(yīng)用開(kāi)發(fā)工具。