赛灵思带你解决困扰V2X（车联万物）发展的行业痛点

V2X（Vehicle to Everything， 车联万物），是车与外界一切交互的技术，可以理解为车与外界万物联系成网，其中“X”是可变量，它替换可为 V、I、P、N 等，即：汽车与汽车（V2V）、汽车与基础设施（V2I）、汽车与行人（V2P）、汽车与互联网（V2N）等。随着 V2X 的普及以及 5G 物联网技术发展，广义的 V2X 将与交通联系更加紧密，成为智慧交通中最重要的一环，将有效降低事故率和拥堵指数的下降。同时，V2X 车联网也将带来自动驾驶、智慧出行、物流集成化等多种应用场景。

然而，前景是美好的，现实是骨感的。面对理想的 V2X 应用，赛灵思大中华区市场经理翁羽翔指出，以下三大主要痛点，是困扰甚至阻碍 V2X 行业发展的重要因素：

1）实时性：无论是车载还是路侧设备，V2X 应用的深入都需要结合更多传感器并使其具备边缘端的计算及推理功能。那么，痛点就是如何实时完成传感器融合和智能化处理对于芯片的要求剧增；

2） 数据稀疏化：点云数据是稀疏化的，通常通过 GPU 实现的帧率太低无法满足 V2X 应用要求，所以如何高效的进行稀疏的 3D 卷积操作并完成目标检测及分类，一直是行业痛点；

3） 大范围与低延迟的博弈：针对城市路口，需要更大区域的检测和识别，而针对高速场景，需要极低时延的数据处理能力。高性能识别与低时延，如何两者兼而有之？

方案来了！9月17日，10:00 – 11:00

赛灵思特携手雪湖科技共同举办在线直播会议，为大家带来基于赛灵思器件的车路协同方案，针对以上行业痛点，该方案可以：

1) 解决实时性挑战：Xilinx MPSoC 平台灵活的接口扩展能力，以及面向边缘端智能化处理的多核异构架构所带来的优势，可以很好的解决 V2X 的实时性需求；

2) 解决数据稀疏化挑战：雪湖科技的 DCU (Deep-learning Computing Unit，深度学习计算单元)基于 MPSoC 平台，一方面可以高效实现稀疏数据的 3D 卷积，另一方面也可以处理图像数据，高性能地实现激光点云和视频数据的智能化处理； 3) 寻求大区域与低时延的绝佳平衡：雪湖科技最新的激光点云解决方案既可以完美适配城市路口大区域监测又能应对高速场景下的极低时延的两种场景。

图：点云智能化分析效果图

关于雪湖科技 DCU

雪湖科技的 DCU (Deep-Learning Computing Unit)基于 FPGA 芯片打造的深度学习运算单元，为目标检测算法 Yolo_V3 Tiny 提供硬件加速。采用雪湖科技自主研发的 ASGARD 架构，实现高帧率 (127FPS)、低时延（7.9ms）的硬件加速性能。相较于 GPU Jetson TX2，拥有更高帧率（FPS 增加8倍）、更低时延（时延降低8倍）、更低功耗、更高性价比的特点。支持8路摄像头输入，支持动态网络分辨率输入 (608*608、416*416、320*320、224*224)，支持多路动态输出帧率。支持多种主流框架（Tensorflow、Caffe、Pytorch、MXNet 等）。适用于自动驾驶、工业检测、云计算、安防检测等高性能计算应用。

原文标题：加速自动驾驶：V2X（车联万物）的技术痛点及解决方案

文章出处：【微信公众号：FPGA开发圈】欢迎添加关注！文章转载请注明出处。