国产AI芯片如何助力车路协同突破落地瓶颈？

近年来，车路协同在智慧高速等交通数字化领域进行了诸多探索和应用，同时车路协同也是补足单车智能迈向自动驾驶的重要产业链条，国家的“十四五”规划中也强调了车路协同的重要意义。

为什么要发展车路协同？车路协同包含哪些核心组成部分？国产AI芯片如何助力车路协同突破落地瓶颈？

让聪明的车，驶上智慧的路

为什么需要发展车路协同？车路协同是支撑交通强国目标达成的关键措施，2019年国务院发布的《交通强国纲要》，明确了从交通大国到交通强国的总体目标，目标是降低万车死亡率，降低物流成本GDP占比，提升交通人口覆盖率，构建先进的交通设施。各部委正从国家战略层面推动车路协同产业发展。

什么是车路协同？总体来看是五个方面：智慧的路、实时的云、聪明的车、可靠的网、精确的图。

智慧的路，通过全息感知，形成交通状况的全面感知结果，通过可靠的网下发给聪明的车和实时的云，同时更新精准的地图，提供车路协同的服务，为聪明的车提供了感知和决策支撑，实现了车路云网图的联合适配。

业界有几个典型的应用场景，包括红绿灯信息推送，行人、车辆防碰撞提醒，也包括了全天候出行，高速5G超视距透视、超视距事故、拥堵预警，特定试验区道路无人驾驶。

车路协同的核心技术包括路侧边缘设备、多元算力接入、基础感知任务、算法类型。

路侧边缘设备包括摄像头、激光雷达、毫米波雷达、路侧计算单元等。

多元算力接入需要更多的传感器、更大数据的接入、更多的目标，典型的车路协同场景边缘计算包括8个摄像头、8个毫米波雷达、2个激光雷达等等。

基础感知任务包括车辆及行人检测和追踪、场景的识别和分割，典型算法有CV类检测、分类、跟踪和点云处理，融合算法包括多传感器融合。

车路协同边缘计算挑战：

高性能、低时延、精准

车路协同边缘计算行业的挑战，一是多元化算力性能要求高，3D点云数据处理性能开销非常大；二是需要超低时延，业界内端到端时延要求小于100毫秒，因此需要边缘计算芯片实时分析和管控；同时需要做非常精准的计算。

典型车路协同边缘计算需要处理激光雷达点云数据，得益于瀚博SV100芯片优异的架构设计，点云数据处理性能是主流GPU的2倍，同时也需要处理CV类图像，以CV类图像处理为例，下图左边是英伟达主流云端70W推理GPU T4的延迟，差不多是5000帧、35毫秒。

GPU是不是可以做更低的延迟呢？它也可以，你可以看到左边的图，在1毫秒的时候差不多是2000帧，GPU有一个痛点是延迟往下降的时候，吞吐量也就大大往下降了，所以GPU本身并不是为超低延迟设计的。

瀚博半导体在去年推出了云端的芯片，今年在世界人工智能大会也推出了边缘端的芯片SV100，瀚博基于SV100推出了边缘板卡VE1，VE1对比英伟达主流边缘GPU的性能，在两个车路协同网络，ResNet50和YoloV3，各自对英伟达主流最新的边缘GPU有2.3倍和2.6倍的性能优势，同时延迟也低了很多。

为边缘而生的AI推理加速卡

车路协同点云的计算非常耗时，以处理点云数据为例，业界点云数据处理占整个处理时长的40%左右，提高点云处理性能是车路系统降低时延关键点，瀚博SV100芯片处理点云数据性能是业界主流GPU的2倍以上。

瀚博为车路协同打造的边缘AI推理加速卡，有超大的算力和超低的延迟，100TOPS INT8峰值算力，为边缘推理提供强大支持；同时有超强解码能力，60路以上的1080P高清解码；还有超低功耗，40到60W；为边缘而生，主动散热和被动散热的设计，可以胜任边缘计算复杂场景；支持INT8、FP16、BF16等精度，优化支持CNN、RNN/LSTM、Transformer和MLP等多种神经网络；支持100多种算子；瀚博平台广泛支持主流图像、激光雷达的检测、跟踪、分割、分类等算法和算子。

瀚博为车路协同打造了边缘计算MEC，这个MEC性能非常强悍，有多元化算力支持，像激光雷达、毫米波雷达、图像摄像头输入，有灵活部署，100TOPS，可以用在中心-区域-路侧等多级网络。

瀚博一直致力于车路协同场景，这是广州三元里落地的项目，我们正在和客户一起用MEC做态势全息感知、视频立体监控、车辆高效导流、车辆自动检测和跟踪。广州国际生物岛智能网联基地项目，也是用瀚博MEC做到了红绿灯信号下发、道路施工预警、弱势行人保护、鬼探头、盲区显示、拥堵预警等等。

瀚博云端芯片SV102和边缘端芯片SV100已经量产，为云边AI推理和计算提供超高性能和超低延迟的算力。

编辑：黄飞