新一代汽車深度學習架構趨勢

下一代汽車的車輛電子系統正在以電動化和自動駕駛為中心發展。圖中描述了車輛電控系統的演進。

現有的車輛電子控制系統中，由于每個功能域由駕駛員直接控制，因此每個域之間的通信是松散耦合的，并且為了不受其它域的影響，域之間是相對獨立的。另一方面，自動駕駛時代的電控系統是由一個名為Vehicle computer的中央控制系統來代替駕駛員來控制自動駕駛功能，各域之間的通信會相對多一些（緊耦合），域之間的獨立性會低一些。此外，隨著控制程序的規模呈指數級增長，安全的OTA（Over the air）變得至關重要，OTA的目標硬件將從終端硬件轉向中心硬件，以確保OTA的控制。（紫色箭頭）此外，中控系統與Cloud之間的通信也是系統的必備條件。

EV自動運轉中的電力影響

接下來，我們將討論EV中自動駕駛的功耗挑戰。

我們來考慮一下典型的EV汽車行駛100Km所需的電池容量。例如，如果您以EPA城市模式行駛，100公里時耗電量為14.6 KWh，但如果您以22.7 Km的平均時速在城市中行駛，100公里需要4.4小時。這里考慮到目前的Robo taxi，假設整個自動駕駛功能耗電量為2KW左右，行駛4.4小時需要8.8 KWh的電量，如果這輛EV車的搭載電池為75KWh，那么在100Km自動行駛過程中，自動駕駛功能消耗了12%的電池容量。為了讓這個電池容量的消耗降到1%以下，整個自動駕駛功能的功耗必須降到150W以下。在自動駕駛中，消耗最多計算功率的深度學習的低功耗是多么重要，從這個數字也可以看出。而且，隨著深度學習的應用領域今后也將不斷增加，這一改進在SDGs和ESG的觀點上也將變得更加重要。

邊緣設備異構計算中的性能優化

與數據中心中使用的CPU和GPU不同，邊緣設備的電源和目標成本受到嚴格限制。因此，在邊緣設備中，異構體系結構與硬件或特定應用處理器相結合，具有最適合目標應用的功能，是產品的關鍵。因此，在ADAS和AD領域，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領域的深度學習引擎（CNN-IP）需要較高的TOPS值，CNN-IP的低功耗是決定整個芯片功率的一大因素。因此，Renesus采用了多種體系結構中能效最高的Streaming architecture。在Streaming Architecture中，CNN-IP最大限度地減少了對外部存儲器的訪問，并以低功耗在每個處理器元件(PE)和SRAM之間高效地傳輸數據。

瑞薩的ADAS/AD在執行深度學習時的LSI功率目標在前攝ECU中為5W或更低，在中央ADAS ECU中為30W或更低，這使得系統的風冷散熱成為可能。這些功率目標成為在量產普及車中實際應用ADAS/AD系統的重要指標。

瑞薩的AI架構

在自動駕駛領域，深度學習的應用將繼續推進，適應新的網絡將變得至關重要。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的AI computing architecture,并繼續進行開發。在Streaming processor側對占現狀調整的95%以上的卷積運算、Activation、Pooling處理等進行處理,在programmable processor側對應新的函數,尋求兼顧電力和靈活性。

最后，我將介紹雷薩斯汽車AI解決方案的應用開發中不可或缺的開發工具。汽車AI需要不同的開發環境，包括相機，網關和中央ADAS，如下圖所示，我們與在R-Car聯盟多年合作的強大合作伙伴提供交鑰匙解決方案和應用開發工具。