在進入自動駕駛汽車(AVs)新紀元的今天，我們見證了這段新技術在提升交通安全和提高效率方面的巨大潛能。根據美國交通部的數據顯示，超過90%的交通事故由人為失誤引起，同時，交通堵塞每年讓每個人損失約51小時。而來自加州大學伯克利分校的研究指出，自動駕駛技術有望至少減少42%的道路擁堵情況，并顯著減少由駕駛員失誤引發的風險。由此可見，那些具備自動駕駛技術的汽車需求量正在飆升。

　　這類自動駕駛汽車要想發揮其效益，必須精確并實時地識別和處理周遭環境的變化，不論是在何種氣候和光照條件下。這便要求車輛裝備有先進的高性能計算硬件。

　　以人類的感知能力為參照，自動駕駛車輛得依靠一整套先進的傳感器技術，包括諸如多個高清攝像頭、雷達、激光雷達等設備，這些設備能夠實時生成大量的數據。為了能夠迅速解析這些信息，并為道路規劃和控制生成作出足夠的響應時間，AV系統不但要有高速的數據處理能力，還需要高效的計算能力。

　　伴隨著無人駕駛技術的發展，我們也見證了從傳統的內燃機向電動汽車(EVs)的過渡。電動汽車的電池要滿足包括動力系統、空調、娛樂信息系統、內部照明和車頭/車尾燈等多個方面的能耗需求。隨著向電動汽車的過渡，車輛的駕駛里程變得完全取決于電池的續航能力，這成為了一項至關重要的資源。

　　然而，歷史上，高性能計算往往意味著高能耗，這在自動駕駛車輛中尤為明顯，因為它們對計算能力的要求極高。傳統的解決方案，如圖形處理單元(GPUs)，會消耗大量的電池電量，這直接影響到了汽車的續航里程。

　　在兩輛配備不同計算解決方案的車輛中，一輛采用的是通用自動駕駛計算方案，而另一輛則裝配了專門為自動駕駛設計的計算方案。顯著的差異在于，后者的續航能力損失要小得多。

　　通用的自動駕駛解決方案可能需要消耗數百瓦特的電力來處理高清傳感器的數據。但是，專為自動駕駛優化的計算平臺，執行相同任務的能耗僅略高于100瓦特。

　　在汽車的整個使用周期中，傳統的高能耗計算方案不僅會增加消費者的使用成本，還會對環境造成更大的傷害。因此，對于計算系統來說，除了大處理能力外，低能耗也非常關鍵。

　　減少對電池容量的依賴，可以提高駕馭距離、減輕電池重量，同時也降低了整體系統的成本。從制造商到消費者，這帶來了各個層面上的效率提升。目前，像高耗電的GPUs這類方案仍然被使用，但對比于重新利用舊技術解決新出現的問題，汽車制造商更傾向于采用特別為車輛的自主性能設計構建的解決方案。這些解決方案需要從根本上創新計算方式，如優化卷積神經網絡模型，以便在保持結果質量的同時實現性能的顯著提升。

　　提升計算效率的另一個途徑是嚴格限制內存的使用，尤其是只使用片上內存。由于人工智能模型一般體積龐大，許多現有方案不得不使用片外內存。這會導致功耗和延遲的增加。通過算法上的革新，這些方案可以在不使用外部內存的情況下處理龐大的數據網絡。

　　電動汽車行業面臨的一大挑戰是，在保持低功耗和最低延遲的同時，處理來自各種傳感器的海量數據，并將神經網絡處理技術應用其中。隨著行業的發展，這個挑戰遲早將呈現在我們面前。

　　浮思特科技是一家擁有核心技術的電子元器件供應商和解決方案商。專注在新能源汽車、電力新能源、家用電器、觸控顯示，4大領域，并已有大量的成熟方案儲備，為客戶提供從方案研發到產品選型采購的一站式服務。