狼队，各种中草药图片，lol黑切
自动驾驶握紧打胎智能边沿较量这张王牌才有更大赢面？大量传感器、海量内容、络续增长的较量能力、自动驾驶汽车所需的及时操纵和平安问题，正将较量焦点从云端推向收集边沿。自动驾驶车辆络续感测和发送有关路况、位置和四周车辆的内容。自动驾驶汽车每秒发生大约 1 GB 的内容，由于必要处理带宽和耽误，哪怕是将一小部门字节(TB)内容发送到集中式服务器进行阐发也是不的确际的。
由于过高的内容传输量、耽误问题和平安性，当前的云较量服务架构延缓了为自动驾驶车辆供应及时打胎智能处理的愿景。因此，作为打胎智能主要代表的深度学习能够集成到边沿较量框架中。边沿打胎智能较量解决了耽误敏感的问题，如目标跟踪和检测、位置感知，以及在云较量方式中面临的隐私珍爱挑衅。
1
边沿打胎智能及时决议和
准确预测的先决前提
边沿打胎智能较量的真正代价只有在网络到的内容可以实现内陆处理，且可以在不依赖长途资源的环境下及时做出决议和准确预测才气算真正体现。只有当边沿较量平台能承载预训练的深度学习模型，而且具有内陆执行及时揣摸的较量资源时，这才可能产生。耽误和位置是边沿的关键因素，因为内容传输耽误和上游服务中断是引起无人驾驶汽车的平安问题的紧张隐患（ISO26262）。例如，车辆上的摄像头传感器应该能在3ms内检测和辨认四周情况，而不依赖云中的较量资源，且具有高靠得住性（99.9999%）。对于速率为120km/h的车辆，1ms的来回耽误相当于车辆与静止物体之间的3cm位移或两个移动车辆之间的6cm位移。
眼前，大多数用于自动驾驶车辆应用的车载AI较量任务（包含目标检测、分割、路面跟踪、标记和信号辨认）主要依赖于通用硬件——CPU、GPU、FPGA或通用处理器。然而，对于自动驾驶和嵌入式应用法式，功耗、速率、精度、内存占用、模具尺寸和BOM本钱都应思量在内。由于冷却负载满足降温需求，GPU的功耗较高，这会显著低落车辆的行驶里程和燃油效率。针对封装、必需遵循风扇冷却和通用的做法。因此，必要更经济、更节能、更优化的打胎智能加快器芯片，例如基于特定域打胎智能的推理ASIC，用做加快边沿深度学习推理的实用解决方案。
2
打胎智能汽车边沿较量的上风
车辆通讯和5G V2X的提高如今能够在车辆和根蒂设施收集（V2I）之间供应靠得住的通讯链路。边沿较量最适用于带宽密集型和对耽误敏感的应用，如无人驾驶汽车，出于平安原因必要立刻接纳举措和作出反应。
自动驾驶体系极其复杂，集成了许多手艺，包含传感、定位、感知、决议，以及与用于高清地图天生和内容存储的云平台的平滑交互。这些复杂性给自动驾驶边沿较量体系的设计带来了诸多挑衅。
车辆边沿较量（VEC）体系必要及时处理大量的内容，平日有非常严格的能耗限定。因此，就必需供应足够的较量能力和合理的能耗，即便在高速行驶的环境也能够确保自动驾驶车辆平安。
为自动驾驶车辆设计边沿较量生态体系的首要挑衅是供应及时处理、足够的较量能力、靠得住性、可扩展性、本钱和平安性，以确保自动驾驶车辆用户体验的平安性和质量。
车载边沿较量与车载云较量对照
3
低耽误
本文地址：http://www.wbwb.net/bianchengyuyan/228448.html 转载请注明出处！