自动驾驶算法与芯片设计

目前自动驾驶的一个发展趋势就是智能化。随着人工智能的飞速发展以及各种新型传感器的涌现，汽车智能化形成趋势，辅助驾驶功能的渗透率越来越高。这些功能的实现需要借助于摄像头、雷达、激光雷达等新增的传感器数据，其中视频处理需要大量并行计算。然而，传统CPU算力不足，而DSP擅长图像处理，对于深度学习却缺乏足够的性能。尽管GPU擅长训练，但它过于耗电，影响汽车的性能。因此，本书着眼于未来，认为定制化的ASIC必将成为主流。本书以自动驾驶的芯片设计为最终目标，来论述设计一个面向未来的自动驾驶SoC芯片的学术支撑和工程实践。 本书共13章。其中第1章主要介绍自动驾驶目前遇到的挑战和研究方向。第2～6章重点讲述环境感知以及规划控制方面的算法设计；第7～10章重点讲述深度学习模型的优化和深度学习芯片的设计；第11章和第12章重点讲述具有安全功能的自动驾驶软件架构设计；第13章介绍5G车联网。

这是一本深入探讨自动驾驶领域中的关键技术问题的著作。该书全面阐述了自动驾驶的智能化趋势，以及辅助驾驶功能的渗透率不断提高。同时，本书也指出了传统处理器在处理自动驾驶数据时的不足，如算力不足和耗电量较高等问题。 书中详细阐述了自动驾驶系统计算平台面临的挑战，包括功能约束、可预测性约束、存储限制、热量约束、功率约束等，以及自动驾驶系统算法设计，如感知、决策、控制和安全验证与测试等。同时，书中还详细介绍了自动驾驶系统计算平台，包括GPU、DSP、FPGA、ASIC等。 在深度学习模型优化方面，书中阐述了模型压缩和加速的方法，包括参数修剪和共享、低秩分解、转移/紧凑卷积滤波器、知识蒸馏等。同时，书中还介绍了AI模型效率工具包，如大规模节能AI、通过合作推进AI模型效率的研究等。 在深度学习芯片设计方面，书中介绍了Mobileye EyeQ、NVIDIA、TI Jacinto TDAx、Qualcomm、NXP、Xilinx Zynq-7000、Synopsys等公司的产品和技术。同时，书中还探讨了自动驾驶芯片设计的未来发展方向。 在自动驾驶软件架构设计方面，书中介绍了AUTOSAR平台