Современная электроника №4/2023

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 34 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 4 / 2023 пути разработки и группы разработчи - ков , занятых проектированием необхо - димых наборов датчиков , процессора - ми и проектными архитектурами . Возьмём случай нескольких сенсор - ных модальностей – интеллектуально - го зрения , радара и лидара – и слия - ния датчиков , что позволит совершить гигантский скачок от помощи вожде - ния Уровня 2 к высокоавтоматизиро - ванному Уровню 4. Настоящие беспи - лотные проекты подобным образом могут иметь 30 ( и , вероятно , больше ) датчиков во всех модальностях для вос - приятия окружающей среды . Более глубокое погружение в функции обра - ботки и архитектуры , необходимые для по - настоящему автономных транспорт - ных средств , даёт представление о том , чем сейчас заняты разработчики : агре - гированием данных , их предваритель - ной обработкой и способами эффек - тивного обмена ими (DAPD), а также ускорением вычислений ( рис . 2). Показательным примером являют - ся чипы XA Zynq UltraScale+ MPSoC 7EV и 11EG от Xilinx. Эти 16- нм чипы , сертифицированные ASIL-C, предна - значены для приложений L2+ ADAS и L4 AV, объединяют программируемую логику , а также 64- битный чётырехъ - ядерный процессор Arm Cortex-A53 и двухъядерную систему обработки на базе Arm Cortex-R5. 504 000 логических ячеек и 1728 сегментов DSP в 7EV и более 650 000 логических ячеек и 2928 сегментов DSP в 11 EV поднимают про - граммируемость на новый уровень в области автомобильных приложений . Другие автомобильные устройства в портфеле XA (2EG, 3EG, 4EV и 5EV) предлагают полный набор опций , отве - чающих любым потребностям совре - менных автомобильных приложений . Устройство XA 7EV содержит блок видеокодека для кодирования и деко - дирования H.264/H.265, а устрой - ство XA 11EG – 32 приёмопередат - чика 12,5 Гбит / с и четыре блока PCIe Gen3x16 ( рис . 3). Благодаря этим высо - коинтегрированным чипам автомо - бильные разработчики начали всерьёз рассматривать возможность контроли - руемого самостоятельно передвиже - ния транспортного средства на шоссе от въезда до съезда с него . Помимо обеспечения простого дви - жения , появились и такие заметные возможности , как смена полосы дви - жения , разделение полосы движения и планирование пути . Здесь задача алгоритмов ИИ состоит в том , что - бы помочь транспортным средствам понять , где находятся другие транс - портные средства , прочитать разметку полосы движения , обнаружить пешехо - дов и велосипедистов , различать типы световых индикаторов и их цвета , рас - познавать дорожные знаки и понимать сложные сцены . GPU, SoC и FPGA В мире технологий автоматизиро - ванного вождения отчётливо прояв - ляются две современные тенденции проектирования . Прежде всего , это рост вычислительной мощности для поддержки более сложных алгоритмов ИИ . Неудивительно , что современные разработчики автомобильных систем полагаются на высокоинтегрирован - ные микросхемы для управления слож - ными программными приложениями , обработки данных в реальном времени и обеспечения функциональной безо - пасности . На более высоком уровне есть мощ - ные SoC и MPSoC, которые включа - ют ядра графического процессора и предлагают колоссальные показате - ли терафлопс . Эти графические про - цессоры интегрированы с большими моделями ИИ для большей произво - дительности , меньшей задержки и более высокого разрешения . Кроме того , существуют тесно интегриро - ванные специализированные микро - схемы ASIC для обработки всех дан - ных с датчиков транспортных средств и удовлетворения уникальных требо - ваний к обработке . На нижнем уровне есть чипы ИИ , которые запускают кро - шечные модели машинного обучения , но они часто содержат компромиссы в отношении точности . Где - то между ними находятся FPGA, которые выполняют вывод без пакет - ной обработки , чтобы обеспечить низ - кую детерминированную задержку и более высокую пропускную способ - ность . С другой стороны , мощные гра - фические процессоры , выполняющие выводы на основе глубокого обучения , требуют , чтобы пакеты параллельных данных массово проходили через мно - жественные данные с одной инструк - цией (SIMD) для выполнения больше - го количества вычислений и меньшего количества выборок . Это , однако , дела - ет регистровые файлы большими . Кро - ме того , в отличие от ASIC, которые укреплены в наборе инструкций , FPGA позволяют разработчикам применять проприетарные наборы инструкций на платформе с эффективными вычисле - ниями и даже позволяют инженерам настраивать их так , чтобы пробовать новые вещи . Также стоит упомянуть , что ПЛИС , как и графические процессоры , исполь - зовались для ускорения ИИ в средах центров обработки данных . Таким Рис . 2. Возможность агрегации , предварительной обработки и распределения данных (DAPD) улучшает обработку ИИ за счёт объединения данных датчиков и подготовки их к обработке модулями производительности Передняя камера Радар Лидар Контроллер домена Камеры кругового обзора Платформа приложения Платформа приложения Платформа приложения Платформа приложения Платформа приложения Программная среда 2 МП АЦП АЦП Программная среда Программная среда Блок управления безопасностью Последовательный процессор Программная среда Программная среда