想要高级别自动驾驶落地,算力是一大制约因素。

随着数据规模呈几何级增长,提升车载芯片算力是率先被使用的方案。不少自动驾驶企业开启了在单车算力上加码的军备竞赛,重点部署GPU、FPGA等图像处理器,比如全球自动驾驶领头羊谷歌Waymo最新无人车采用的就是英特尔的Xeon服务器芯片和Altera的FPGA芯片。强大的芯片组合可保证各模块功能间互不影响,但发展进程受限于芯片提供商的极限算力迭代速度。

图片来源:einfochips

寻求云端远程算力补充成为业界下一步的思考方向。但远距离数据传输的时延并不允许。汽车电子功能安全标准ISO26262指出,数据传输延迟和上游服务中断是引起无人驾驶汽车安全隐患的重要因素。一组数据表明,一辆每天运行8小时的自动驾驶汽车将产生至少40TB数据,云端远程传输数据至少需150-200毫秒以上,假设一辆车以120km/h行进,100毫秒延迟就相当于3.33米,约等于一辆普通轿车的车身长度。就近部署的边缘计算则能够将整个过程控制在更短的数据传输时延范围内,大幅降低因时延而导致的事故率。

细数当前全国各地高级别自动驾驶实践情况,湖南衡阳车路云一体化的自动驾驶系统数据从路侧感知、云端上传到下发的传输全链路延迟已压缩至100毫秒,在业内处于领先水平。据悉,这一超低时延自动驾驶系统由蘑菇车联打造。

成本降低90%

不仅如此,随着原本由车端自动驾驶芯片负责处理的高清3D地图更新、实时交通路况推送、深度学习模型训练和大数据分析等计算任务交由路侧的边缘云,还能进一步减轻车端数据处理压力和算力部署成本。要知道,随着芯片算力需求的提升,对应的采购成本并不是线性增长,而是几何级攀升的。以近期公布车路协同自动驾驶方案成本的蘑菇车联为例,其在衡阳落地的车路云一体化方案以车端感知、路侧边缘计算和中心云融合感知,有望将单车改造成本降低90%以上。

相较于远程中心云计算部署,边缘计算还可以减少数据带宽消耗、缓解流量压力,降低配套通信成本。用恩智浦自动驾驶实验室主任Davide Santo的解释就是“在分布式架构与中心式架构之间的寻找最优组合以降低成本”。未来边缘计算或成自动驾驶商业化之战的必杀技。

图片来源:arxiv.org

稳定可靠

量产稳定性和可靠性是将边缘计算引入自动驾驶系统的另一考虑因素。目前国内一些自动驾驶企业采用台湾Neousys Nuvo-6108GC工控机方案,以此提升单车算力。该方案使用插板式结构,提高了芯片抗冲击、抗振动能力,但整体体积较大、功耗高、散热难,在真实量产中会给高速运行的自动驾驶汽车造成安全隐患。而边缘计算单元架设在运行环境更为简单的路端,系统稳定性更强。

更高的安全性是边缘计算在自动驾驶场景应用的另一独特优势。分散在不同路口的边缘计算单元提供了多层保护和冗余,即使较远距离的中心云端或某个单独的边缘计算单元出现电力故障、网络故障甚至计算故障,其他边缘计算单元和单车智能也将有效独立运行。此外每个路侧边缘计算服务器都拥有独立网关,车端数据在边缘侧先行加密,提高了数据安全性和隐私保护能力。

还是以蘑菇车联车路云一体化的自动驾驶实践为例,在衡阳200公里的城市级开放道路上,每隔不到300米就有一组路侧边缘计算系统,堪称高密度覆盖。更重要的是,边缘分布式计算架构使其不受中心云单一端口限制,在云端失效的情况下,车辆仍可借助边缘计算动态改变路线和供电网络流量的能力,甚至可以做安全停车的决策。

图片来源:蘑菇车联

高级别自动驾驶商业化正在变成一场算力和时效的竞赛。到2025年,自动驾驶汽车和云端之间的数据传输量可能达到每月10EB,是目前的1万倍。利用边缘计算让自动驾驶汽车在数据处理环节更为方便、快捷、安全是整个产业的共同目标,在传输时延、落地成本、数据安全和隐私方面独具优势的路侧边缘计算方案或解燃眉之急。

来源：网络