GPU和虚拟化技术对ADAS平台有怎么样的重要性

　　近几十年来，图形处理器（GPU）已从最初作为大型电玩的视频显示适配器演进为一个强大的计算中心，并且正在推动人工智能和机器学习的发展，包括从石油和天然气勘探到自然语言处理等众多领域的计算工作。如今，GPU正在自动驾驶和先进驾驶辅助系统（ADAS）技术的发展中扮演着越来越重要的作用。

　　在本文中，我们将介绍神经网络硬件加速器在自动驾驶计算平台的重要作用，他可以将极高性能和极低功耗完美结合在一起。

　　你或许想知道GPU是如何从电子游乐场走向前沿科学研究和自动驾驶汽车的？GPU作为处理大数据工作负载的首选处理器而逐渐崛起，归因于传统中央处理器（CPU）和GPU之间存在一些基本的架构差异。GPU是一种专用的微处理器，最初是为渲染游戏中的视觉效果和3D图形而设计，这些游戏需要强大的计算能力来显示实时动作效果。为了提供这种能力，GPU使用数千个小型高效的内核来实现可同时处理大量数据的大规模并行架构。

　　相比之下，典型的CPU仅由几个内核和大量高速缓存组成，通常设计为一次只处理几个软件线程。CPU针对顺序串行处理进行了优化，更适合于通用的计算工作。然而，当涉及同时处理大量数据时，GPU则更胜一筹。

　　GPU凭借数百个内核能够并行处理数千个线程，与典型CPU的性能相比，GPU可以将某些软件的性能提高20倍以上。越来越多出现的情况是，我们期望计算机为我们解决那些具有挑战性的计算问题都具有固有的并行结构——可以想想大量的视频处理、图像分析、信号处理和机器学习等流程，它们都必须能可靠、实时地运行才可以确保实现汽车自动驾驶。在诸如电池供电的电动汽车等功率受限的系统中，GPU往往能够在实现这种处理速度的同时提供比CPU更高的能效和成本效益，这一点也很重要。

　　GPU是为ADAS量身定制的

　　GPU非常适合汽车自动驾驶和ADAS技术对处理能力的要求，尤其是在图像分析和并行信号处理方面。对于起初为游戏而开发的GPU而言，图像处理是其最擅长的领域。事实上，就计算方面来讲，几乎任何密集并行计算都适合用GPU来处理。

　　ADAS平台可以利用GPU的图形计算能力去实时处理和分析传感器数据。

　　这些离散传感器包括：

　　· 光探测和测距（激光雷达），用脉冲激光测量到目标的距离。

　　· 无线电探测和测距（雷达），与激光雷达类似，但使用无线电波代替激光。

　　· 红外（IR）摄像系统，使用热成像技术在黑暗中进行感知。

　　所有这些使ADAS能够更好地解析环境，并且可提升系统辅助驾驶员和维护自动驾驶汽车安全性的能力。自动驾驶汽车分为6个级别，从完全没有自动化的0级（Level 0）到汽车完全自主的5级（Level 5）。随着我们从2级提升至4级和5级，就越来越需要车内系统能够对车辆所行驶的世界有更详细、更广泛的了解。