神经网络处理器将提升雷达、视觉应用的性能

Cadence Tensilica 社区, May. 11, 2017 – 

自动驾驶需要极为强大的计算能力。然而，目前亟待讨论的话题依然是：何种处理器架构最适合运行目标识别及传感器融合演算法（sensor fusion algorithms），以便实现计算机驱动车辆。

铿腾（Cadence）现已通过旗下的泰思立达（Tensilica）推出了一款基于数字信号处理器（DSP）架构的处理器。泰思立达的Vision C5产品旨在运行人工智能引擎的所有神经网络层。

谈及运行人工智能系统，最普遍的方法是利用图形处理器（GPU），其优点如下：常规计算机的标准图形控制器通常包含许多并联运行的GPU。选用适用的算法后，该类图形设备可被人工智能引擎重复应用，以提供卓越的性能优势。目前，英伟达（Nvidia）等芯片厂商们在这方面做得很成功，但并非所有人都认为这是最佳的方法。

Tensilica Vision DSP产品系列的产品营销总监普林.迪赛（Pulin Desai）评论道："该方法需要非常高端的GPU，因而其能耗极大。"据Desai表示："该方法可能适用于高端服务器群，对于该类设备而言，能源并非关键因素。若将其应用于车内，就务必要考量嵌入式系统的空间受限、电量受限等问题。"

凭借Tensilica Vision C5 DSP，铿腾采用了截然不同的方式。C5提供了高度集中的计算能力--其尺寸只有不足1平方毫米，其运算性能却达到1 TeraMAC（乘积累加计算步骤，Multiply-Accumulate computing steps），其高性能主要得益于其超长指令字（VLIW）向量处理指令组（借助128-way，8-bit或64-way，16-bit单指令多数据结构（SIMD）的执行）。该设备还针对可用性要求较高的视觉、雷达、激光雷达和传感器融合应用进行了优化。

重要的是，其针对多处理器设计进行了架构构建--毕竟，最先进的车载先进驾驶辅助系统（ADAS）、计算机视觉及其他传感器信息处理应用程序已愈发依赖于复杂的异构多处理器设计。

铿腾宣称，相比与同类GPU解决方案相较，C5的能效高出近一个数量级。在神经网络硬件加速器方面，该款车品也拥有一定的优势：与专业化、基于硬件的加速器不同，该产品可实现再编程，设计更为灵活且不会过时。同时，由于其功能性完全在软件内实现，公司还采用了被广泛使用的开发工具，因而其开发过程也更为容易。

迪赛表示，最终版本的C5上市后，公司会同时提供神经网络函数库。汽车应用将成为本产品最大的市场，除此之外，铿腾还计划将该产品出售给无人机及安全系统的制造商，或使用神经网络识别算法来执行目标检测及目标识别的其他应用。

 Back