EV中自动驾驶的功耗挑战

作者：Hirotaka Hara

Senior Distinguished Engineer

下一代汽车的车辆电子系统正在以电动化和自动驾驶为中心发展。图中描述了车辆电控系统的演进。

现有的车辆电子控制系统中，由于每个功能域由驾驶员直接控制，因此每个域之间的通信是松散耦合的，并且为了不受其它域的影响，域之间是相对独立的。另一方面，自动驾驶时代的电控系统是由一个名为Vehicle computer的中央控制系统来代替驾驶员来控制自动驾驶功能，各域之间的通信会相对多一些（紧耦合），域之间的独立性会低一些。

此外，随着控制程序的规模呈指数级增长，安全的OTA（Over the air）变得至关重要，OTA的目标硬件将从终端硬件转向中心硬件，以确保OTA的控制。（紫色箭头）此外，中控系统与Cloud之间的通信也是系统的必备条件。

EV自动运转中的电力影响

接下来，我们将讨论EV中自动驾驶的功耗挑战。

我们来考虑一下典型的EV汽车行驶100Km所需的电池容量。例如，如果您以EPA城市模式行驶，100公里时耗电量为14.6 KWh，但如果您以22.7 Km的平均时速在城市中行驶，100公里需要4.4小时。

这里考虑到目前的Robo taxi，假设整个自动驾驶功能耗电量为2KW左右，行驶4.4小时需要8.8 KWh的电量，如果这辆EV车的搭载电池为75KWh，那么在100Km自动行驶过程中，自动驾驶功能消耗了12%的电池容量。

为了让这个电池容量的消耗降到1%以下，整个自动驾驶功能的功耗必须降到150W以下。在自动驾驶中，消耗最多计算功率的深度学习的低功耗是多么重要，从这个数字也可以看出。而且，随着深度学习的应用领域今后也将不断增加，这一改进在SDGs和ESG的观点上也将变得更加重要。

边缘设备异构计算中的性能优化

与数据中心中使用的CPU和GPU不同，边缘设备的电源和目标成本受到严格限制。因此，在边缘设备中，异构体系结构与硬件或特定应用处理器相结合，具有最适合目标应用的功能，是产品的关键。因此，在ADAS和AD领域，R-Car V系列提供硬件IP，可编程处理器和CPU的组合LSI。下图显示了R-Car V3H的硬件配置示例。

采用Streaming Architecture

ADAS和AD领域的深度学习引擎（CNN-IP）需要较高的TOPS值，CNN-IP的低功耗是决定整个芯片功率的一大因素。因此，Renesas采用了多种体系结构中能效最高的Streaming architecture。在Streaming Architecture中，CNN-IP最大限度地减少了对外部存储器的访问，并以低功耗在每个处理器元件（PE）和SRAM之间高效地传输数据。

瑞萨的ADAS/AD在执行深度学习时的LSI功率目标在前摄ECU中为5W或更低，在中央ADAS ECU中为30W或更低，这使得系统的风冷散热成为可能。这些功率目标成为在量产普及车中实际应用ADAS/AD系统的重要指标。

瑞萨的AI架构

在自动驾驶领域，深度学习的应用将继续推进，适应新的网络将变得至关重要。因此，除了Streaming architecture以外，面向特定用途的添加了programmable processor的形式也被定义为面向汽车的AI computing architecture，并继续进行开发。在Streaming processor侧对占现状调整的95%以上的卷积运算、Activation、Pooling处理等进行处理，在programmable processor侧对应新的函数，寻求兼顾电力和灵活性。

最后，我将介绍瑞萨汽车AI解决方案的应用开发中不可或缺的开发工具。汽车AI需要不同的开发环境，包括相机，网关和中央ADAS，如下图所示，我们与在R-Car联盟多年合作的强大合作伙伴提供交钥匙解决方案和应用开发工具。

有关更多信息，请访问R-Car联盟。

编辑：jq