图像
Hirotaka Hara
Hirotaka Hara
Senior Distinguished Engineer

下一代汽车的车辆电子系统正在以电动化和自动驾驶为中心发展。图中描述了车辆电控系统的演进。

图像
E/E architecture system evolution

现有的车辆电子控制系统中,由于每个功能域由驾驶员直接控制,因此每个域之间的通信是松散耦合的,并且为了不受其它域的影响,域之间是相对独立的。另一方面,自动驾驶时代的电控系统是由一个名为Vehicle computer的中央控制系统来代替驾驶员来控制自动驾驶功能,各域之间的通信会相对多一些(紧耦合),域之间的独立性会低一些。此外,随着控制程序的规模呈指数级增长,安全的OTA(Over the air)变得至关重要,OTA的目标硬件将从终端硬件转向中心硬件,以确保OTA的控制。(紫色箭头)此外,中控系统与Cloud之间的通信也是系统的必备条件。

EV自动运转中的电力影响

接下来,我们将讨论EV中自动驾驶的功耗挑战。

图像
Required battery capacity for EV 100km driving

我们来考虑一下典型的EV汽车行驶100Km所需的电池容量。例如,如果您以EPA城市模式行驶,100公里时耗电量为14.6 KWh,但如果您以22.7 Km的平均时速在城市中行驶,100公里需要4.4小时。这里考虑到目前的Robo taxi,假设整个自动驾驶功能耗电量为2KW左右,行驶4.4小时需要8.8 KWh的电量,如果这辆EV车的搭载电池为75KWh,那么在100Km自动行驶过程中,自动驾驶功能消耗了12%的电池容量。为了让这个电池容量的消耗降到1%以下,整个自动驾驶功能的功耗必须降到150W以下。在自动驾驶中,消耗最多计算功率的深度学习的低功耗是多么重要,从这个数字也可以看出。而且,随着深度学习的应用领域今后也将不断增加,这一改进在SDGs和ESG的观点上也将变得更加重要。

边缘设备异构计算中的性能优化

与数据中心中使用的CPU和GPU不同,边缘设备的电源和目标成本受到严格限制。因此,在边缘设备中,异构体系结构与硬件或特定应用处理器相结合,具有最适合目标应用的功能,是产品的关键。因此,在ADAS和AD领域,R-Car V系列提供硬件IP,可编程处理器和CPU的组合LSI。下图显示了R-Car V3H的硬件配置示例。

图像
Hardware configuration of R-Car V3H

采用Streaming Architecture

ADAS和AD领域的深度学习引擎(CNN-IP)需要较高的TOPS值,CNN-IP的低功耗是决定整个芯片功率的一大因素。因此,Renesus采用了多种体系结构中能效最高的Streaming architecture。在Streaming Architecture中,CNN-IP最大限度地减少了对外部存储器的访问,并以低功耗在每个处理器元件(PE)和SRAM之间高效地传输数据。

图像
Comparison of computing performance by energy efficiency

瑞萨的ADAS/AD在执行深度学习时的LSI功率目标在前摄ECU中为5W或更低,在中央ADAS ECU中为30W或更低,这使得系统的风冷散热成为可能。这些功率目标成为在量产普及车中实际应用ADAS/AD系统的重要指标。

瑞萨的AI架构

在自动驾驶领域,深度学习的应用将继续推进,适应新的网络将变得至关重要。因此,除了Streaming architecture以外,面向特定用途的添加了programmable processor的形式也被定义为面向汽车的AI computing architecture,并继续进行开发。在Streaming processor侧对占现状调整的95%以上的卷积运算、Activation、Pooling处理等进行处理,在programmable processor侧对应新的函数,寻求兼顾电力和灵活性。

图像
Renesas automotive AI computing architecture

最后,我将介绍雷萨斯汽车AI解决方案的应用开发中不可或缺的开发工具。汽车AI需要不同的开发环境,包括相机,网关和中央ADAS,如下图所示,我们与在R-Car联盟多年合作的强大合作伙伴提供交钥匙解决方案和应用开发工具。

有关更多信息,请访问R-Car联盟

图像
R-Car Consortium Rich Application Platform Environment

分享此文章

Log in or register to post comments

分享此文章