Startseite > Automotive > Assistenzsysteme > Autonom mithilfe von KI im Edge

Adaptive Computing

Autonom mithilfe von KI im Edge

6. April 2022, 8:24 Uhr | Rehan Tahir, Senior Product Line Manager und Ehab Mohsen, Product Marketing Manager, AMD

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 2

Beschleunigung der gesamten Anwendung

Um den Effekt all der beschriebenen Faktoren auf die Systemleistung zu verstehen, betrachten wir ein Beispiel aus dem ADAS-Bereich, das auf drei Zynq-Bausteinen implementiert wurde. Ein einziges Versal AI Edge IC der mittleren Leistungsklasse kann dieselbe Anwendung hosten (Abbildung 4) und 17,4 TOPS liefern. Das ist mehr als der vierfache Verarbeitungsdurchsatz, so dass eine höhere Kameraauflösung und zusätzliche Videokanäle bei einem vergleichbaren Energiebudget von 20 W verarbeitet werden können. Das IC und die zugehörigen externen Schaltkreise belegen eine Fläche von 529 mm², und damit über 58 Prozent weniger als die Implementierung mit drei Zyng-Bausteinen.

Jobangebote+ passend zum Thema

Regional Key Account (m/w/d) für Elektronische Bauteile

KOA Europe GmbH, Dägeling

Alle Jobangebote im Elektroniknet Karrierebereich anzeigen

Die verschiedenen Aufgaben können den verfügbaren Engines entsprechend zugewiesen werden, wobei die Adaptable Engines für die Sensorfusion und die Vorverarbeitung der Daten, einschließlich der Bestimmung des ToF-Bereichs, der Analyse von Radar- und LiDAR-Punktwolken, der Aufbereitung von Bilddaten, der Charakterisierung der Umgebung und der Datenaufbereitung eingesetzt werden. Gleichzeitig kann die Scalar Engine auf die Entscheidungsfindung und Fahrzeugsteuerung angesetzt werden.

Ein weiterer Vorteil dieser adaptiven Rechenplattform ist, dass die Hardware-Konfiguration innerhalb von Millisekunden »on the fly« geändert werden kann, so dass ein Baustein mehrere Funktionen ausführen kann. In einer Automobilanwendung kann beispielsweise eine Hardware-Konfiguration geladen werden, die für Funktionen wie Spurassistenz oder Kollisionsschutz während der Fahrt auf der Autobahn optimiert ist. Diese Konfiguration kann gegen eine neue wie Einparkhilfe ausgetauscht, wenn das Fahrzeug in ein Stadtgebiet einfährt. Nach dem Einparken könnte eine andere Funktion geladen werden, vielleicht ein Differenzierungsmerkmal wie das Klimamanagement zum Schutz von im Fahrzeug zurückgelassenen Haustieren.

Entwickler können auch eine hoch optimierte Hardware-Implementierung ihrer Zielanwendung erstellen, indem sie beispielsweise Lösungen für die LiDAR- und Radarerfassung oder eine Frontkamera auf derselben Plattform zusammenführen, die jeweils über eigene KI- und Sensorverarbeitungsfunktionen verfügen. Das ist mit CPUs und GPUs nicht möglich. Da sich die Anforderungen der Automobilindustrie heutzutage schnell ändern, kann die adaptive Plattform zudem schnell und unkompliziert »over the air« geändert werden, ähnlich wie ein Software-Update.

Sicherheits- und aufgabenkritisches Design

In der industriellen Steuerung und Robotik können die Adaptable-Engines Aufgaben wie Perception (Wahrnehmung), Steuerung, Vernetzung und Navigation übernehmen, während die AI-Engines die Steuerung für eine dynamische Ausführung und eine vorausschauende Wartung erweitern können und die Scalar-Engines übernehmen Aufgaben, und zwar aus der sicherheitskritischen Steuerungen, dem User-Interface und der Cybersicherheit.

In Multimission- und situationsbewussten UAVs können die Entwickler die Adaptable-Engines für Aufgaben wie Sensorfusion oder Signalaufbereitung nutzen. Die Intelligent-Engines wiederum können für KI-Anwendungen mit geringer Leistungsaufnahme und niedriger Latenz sowie für die Signalaufbereitung für Navigation und Zielverfolgung eingesetzt werden, ebenso wie auf die Klassifizierung des Schwingungsverlaufs für »Cognitive RF« und »Spectrum Awareness«. Die Scalar-Engines übernehmen hingegen die Steuerung und Kontrolle und können im Lock-Step arbeiten, um Safety und Security zu gewährleisten.

Ein einzelner Versal AI Edge Baustein kann mehrere Eingänge unterstützen, einschließlich Funkkommunikation, Navigation, Zielverfolgungsradar sowie elektrooptische und Infrarotsensoren für die visuelle Überwachung (Abbildung 5). Eine derart aufwendige Sensorfusion wäre mit einem typischen ML-Prozessor nur schwer zu bewerkstelligen.