如何构建低功耗自动驾驶系统？

随着我们迈入自动驾驶车辆（AVs）的时代，这些车辆在安全性和效率方面带来了诸多正面影响。据美国交通部报道，超过90%的事故是由驾驶员错误造成的，且交通拥堵导致每个人每年损失51小时。加州大学伯克利分校的研究表明，自动驾驶车辆能至少减少42%的交通流量，显著降低由人为错误带来的风险，因此，对具备自动驾驶能力的车辆的需求正在迅速增长。

为了实现这些好处，这类车辆必须能精确地实时感知周围环境——不论在任何条件下。这需要汽车具备高性能计算能力。

为了让自动驾驶车辆拥有类似人类的理解能力，需要利用大量的传感功能。这些传感器包括多个高分辨率摄像头、雷达、激光雷达等，共同生成大量必须实时处理的数据。为了迅速解读这些信息，并留出足够的时间进行路径规划和控制生成，AV系统必须具备高性能计算能力。

随着驾驶车辆自动化的势头增强，我们还经历了从传统内燃机到电动汽车（EVs）的转变。汽车电池的几个主要需求包括动力总成、空调、信息娱乐系统、内部灯光以及前/后灯。随着向电动汽车的转变，驾驶里程完全依赖于电池容量，而这是一种宝贵的资源。

然而，传统上，高性能计算与功耗之间存在着反比关系。鉴于自动驾驶系统对高性能计算的需求，像显卡（GPUs）这样的传统解决方案会大量消耗电池，从而显著影响续航里程。

在两辆相同的车辆中——一辆配备了通用自动驾驶计算解决方案，另一辆配备了为自动驾驶专门设计的计算解决方案，前者牺牲的续航里程明显更高。

通用的自动驾驶解决方案需要消耗数百瓦的电力来处理高分辨率传感器输入。然而，专门为自动驾驶设计的平台仅消耗略高于100瓦的电力执行同样的功能。

在汽车的使用寿命期间，当前实施方案的高功耗增加了消费者的成本，并对环境造成了更大的破坏。因此，对于计算系统来说，除了需要巨大的处理性能，低功耗也至关重要。

减少对电池容量的需求可以实现更高的驾驶范围、更小的电池重量和更低的整体系统成本。这导致从制造商到消费者，每一层面的效率都有所提升。如今，像耗电的GPUs这样的解决方案仍在使用中。相比于重用旧技术解决新问题，汽车制造商可以采用为实现车辆自主性能而特别构建的解决方案。这种解决方案需要从基础上创新计算方式。如通过优化卷积神经网络模型，可以在结果质量几乎不受影响的情况下实现巨大的性能提升。

另一个提高计算效率的方法是严格使用“片上”内存。然而，人工智能模型通常很大，迫使其他解决方案和方法使用片外（外部）内存，这会带来不利的功耗和延迟。通过集群算法创新，实现所有参数（权重）“片上”存储。这允许我们的解决方案处理最大的网络而不需要外部内存。

实现全自动车辆所面临的电池容量挑战之一是：如何处理来自各种源头的大量感测数据，并将相关神经网络处理应用上，同时保持小功耗足迹和最小延迟。这也是整个电动汽车行业迟早要面对的挑战。