发布时间：2019-10-15 阅读量：1756 来源: 我爱方案网 作者: GTI
汽车和车载通信的最新进展推动了深度学习，边缘计算和车辆互联网的融合。
无人驾驶汽车所需的大量传感器，海量数据，不断增加的计算能力，实时操作和安全问题，正在推动在云端计算的核心，往边缘端发展。无人驾驶车辆不断感应并发送有关道路状况，位置和周围车辆的数据。无人驾驶汽车每秒产生大约 1GB 的数据[4] - 由于网络带宽和延迟，即使是将部分数据发送到云端服务器分析也是不切实际的。
由于大量的数据传输、延迟问题和安全问题，现行的云计算服务架构阻碍了为无人驾驶汽车提供实时人工智能处理的实现。因此，深度学习作为人工智能的主要代表，可以将这些问题集成到边缘计算框架中。边缘计算解决了延迟敏感的控制，如对象跟踪和检测、位置感知以及云计算中面临的隐私保护等问题。
只有在不依赖于远程资源的情况下，对采集到的数据进行本地处理，实时做出决策和预测，才能实现边缘计算的真正价值。只有当边缘计算平台能够加载预先训练好的深度学习模型，并且拥有本地执行实时推断的计算资源时，这才可能发生。延迟和本地化是边缘计算的关键因素，因为数据传输延迟和上游服务中断是不可容忍的，并引发了无人驾驶汽车的安全问题(ISO26262)。例如，车辆上的摄像头传感器应该能够在不依赖云计算资源的情况下，在 3ms 内探测并识别周围环境并且有高可靠性(99.9999%)。例如，对于速度为120km/h 的车辆，1ms 的往返延迟相当于车辆与静态对象之间的 3cm 或两辆移动车辆之间的6cm。
目前，无人驾驶车辆应用中现有的车载 AI 计算任务，包括目标检测、语义分割、路面跟踪、标志和信号识别等，主要依赖于 CPU、GPU 或 FPGA 等通用硬件。然而，对于无人驾驶和嵌入式应用程序，应该考虑功耗、速度、精度、内存开销、芯片尺寸和 BOM 成本。虽然高功耗的 GPU 可以通过冷却来满足散热，但同时也显著降低行驶里程和车辆的燃油效率。因此，这需要更经济、更高效、基于人工智能加速优化的芯片，如领域特定的基于人工智能推理的 ASIC，实现在边缘端对深度学习推理能力的加速。
AI 无人驾驶边缘计算优势
最近无人驾驶在提高车辆安全和效率方面作出了重大努力。车辆通信和 5G C-V2X 技术的进步，为车辆之间、车辆与基础设施网络之间提供可靠的通信连接。边缘计算最适合于带宽紧张和延迟敏感的应用，例如无人驾驶汽车，因为安全原因需要立即采取行动和作出反应。
无人驾驶系统极其复杂，它们紧密集成了许多技术，包括传感、定位、感知、决策，以及与云平台的流畅交互，用于高清地图生成和数据存储。这些复杂性给无人驾驶边缘计算系统的设计带来了诸多挑战。
车辆边缘计算(VEC)系统需要实时处理大量的数据。由于 VEC 系统是移动的，它们通常有非常严格的能耗限制。因此，即使是在高速[5]上也要以合理的能耗提供足 够的计算能力，来保证无人驾驶汽车的安全。
为无人驾驶汽车设计一个边缘计算生态系统的首要挑战是提供实时处理、足够的计算能力、可靠性、可伸缩性、成本和安全性，从而保证无人驾驶汽车用户体验质量和用户安全。
车辆边缘计算与车辆云计算比较
智能边缘计算对于无人驾驶的关键优势
低延迟
零(低)延迟对汽车安全是至关重要的。许多无人驾驶汽车制造商都在设想，传感器数据将流入云端，用于无人驾驶汽车所需的进一步数据处理、深度学习、训练和分析。这使得汽车制造商能够收集大量驾驶数据，并能够使用机器学习来改进人工智能自动驾驶实践和学习。据估计，在网络上收发数据至少需要 150-200ms。考虑到汽车是在运动并且需要实时决策需要做出有关汽车的控制，这个延时比较大。
根据丰田的说法，到 2025 年，汽车和云之间传输的数据量将达到 10exabytes/月,也就是当前数据量的 10000 倍。云计算的设计初衷并不是让无人驾驶汽车快速处理大量数据。无人驾驶汽车将实时执行时间敏感的处理任务，例如车道跟踪，交通监控，目标检测或本地（边缘）级别的语义分割，并相应地采取驾驶行动。
同时，对于长期的任务，它将传感器数据发送到云端进行数据处理，最终将分析结果发
送回无人驾驶汽车。
因此，边缘计算技术将提供一个端到端系统架构框架，用于将计算过程分布到本地网络。一个精心设计的人工智能无人驾驶汽车和车联网将是一个协作的边缘云计算系统，高效的视频/图像处理，以及多层分布式(5G)网络——本地和云端处理的混合网络(图 6)。边缘计算是为了补充云计算，而不是完全取代云计算。
速度
考虑到在网络上来回传输的大量数据，出于安全原因，大部分处理都必须在车上进行。车辆在不需要传输数据的情况下，计算连续数据的速度有助于减少延迟，并提高准确性。 因此车辆不再依赖连接和数据的传输速度。
人与机器之间的相互依赖意味着信息的实时传输速度是至关重要的。利用边缘计算，包括拥有足够的本地化计算处理和内存量，以确保无人驾驶汽车和人工智能处理器能够执行各自所需的任务。
我爱方案网是GTI的授权代理商，欢迎联络我们采购GTI的AI芯片，共同推动AI应用落地。更多元器件采购需要，欢迎来中电快购！
相关文章推荐
2025年第一季度，全球半导体晶圆代工2.0市场规模达722.9亿美元，同比增长13%。市场扩张主要受人工智能及高性能计算芯片需求激增推动，尤其3nm/5nm先进制程和CoWoS等封装技术成为核心增长引擎。行业分析显示，传统单一制造模式（代工1.0）正被技术整合平台（代工2.0）取代，涵盖设计、制造、封装全链条协同创新。
2025年6月20日，IOTE 2025·上海站在上海新国际博览中心N5馆圆满收官！ 在万物智联的时代洪流中，物联网技术正以前所未见的速度重塑世界，驱动千行百业向智能化、数字化加速跃迁。本届展会以“生态智能，物联全球”为核心主题，携手全球移动通信标杆盛会MWC上海，不仅呈现了一场前沿技术的饕餮盛宴，更是物联网与移动通信深度融合、共绘发展新图景的生动实践，为全球AIoT产业的蓬勃脉动注入强劲活力与动能。
在工业自动化、新能源汽车、高效电源等应用领域日益追求高功率密度与高可靠性的今天，高性能的栅极驱动器扮演着至关重要的角色。它们作为功率开关器件（如IGBT、SiC MOSFET、GaN HEMT）与控制信号之间的关键"桥梁"，其性能直接决定了系统效率、开关速度、电磁兼容性（EMC）以及整体可靠性。本文将聚焦行业备受关注的意法半导体新一代集成化方案（STDRIVE102H/BH）、圣邦微电子的三相驱动器（SGM58000）以及安森美的双通道高端驱动（NCD57252），进行深度对比分析，揭示各自优势及适用场景，为工程师选型决策提供专业参考。
工业数字化转型加速推动预测性维护需求增长，尤其桥梁、大型建筑等基础设施的结构健康监测（SHM）领域。传统高精度加速度传感器长期面临偏移漂移大、环境适应性弱等痛点。村田制作所最新推出的SCA3400系列数字三轴MEMS加速度传感器，以≤0.5mg的偏移寿命漂移值突破行业极限，为工业设备状态监测树立新标杆。
全球智能手机芯片领域正迎来新一轮工艺迭代浪潮。知名研究机构Counterpoint Research最新报告指出，3nm及更先进的2nm制程技术将在2026年占据智能手机应用处理器（SoC）出货总量的近三分之一（约33%），成为驱动高端设备性能跃升的核心引擎。这一演变标志着半导体制造技术对移动终端能力的决定性影响达到新高度。
