“先進駕駛員輔助系統（ADAS）最大的趨勢是，從不斷增加的離散傳感器中，獲取更高品質的傳感器數據，從而增強系統功能。系統可以更好地理解環境，故而改善性能，更好地協助駕駛員進行操作。本質上來說，圖行處理單元（GPU）因為其高度并行且以吞吐量為導向的特性，非常適合解決這一挑戰。因此，目前領先的ADAS廠商開始利用嵌入式GPU，以使汽車的性能和功能實現跨越式提升。”

以GPU為核心的智能輔助駕駛芯片

人工智能的發展也帶動了汽車智能化發展，過去的以CPU為核心的處理器越來越難以滿足處理視頻、圖片等非結構化數據的需求，同時處理器也需要整合雷達、視頻等多路數據，這些都對車載處理器的并行計算效率提出更高要求，而GPU同時處理大量簡單計算任務的特性在自動駕駛領域取代CPU成為了主流方案。

GPU占據現階段自動駕駛芯片主導地位，相比于消費電子產品的芯片，車載的智能駕駛芯片對性能和壽命要求都比較高，主要體現在以下幾方面：

①耗電每瓦提供的性能；

②生態系統的構建，如用戶群、易用性等；

③滿足車規級壽命要求，至少1萬小時穩定使用。

GPU是實現提升的剛需

在汽車的中央電子控制單元（ECU）中，您可以找到一個或多個大型硅器件，其中包含一個多核中央處理單元（CPU），一個圖形處理單元（GPU），一個為傳感器數據提供實時處理的內存子系統，以及一系列其他內核，如I／O、外設連接、專用視頻和DSP。

GPU高度并行，以吞吐量為導向的特性使其非常適合ADAS應用，并可應對諸多挑戰。它就像是一個“渦輪增壓”的乘法累加引擎，而且是以神經網絡類型算法為基礎的。因此，毫無疑問，當今許多領先的ADAS供應商都開始利用GPU的能力和性能，來實現汽車所需要的功能和性能的提升。

GPU為ADAS提供計算

隨著邁向完全自主駕駛（Level5），車內需要更多的駕駛輔助功能，包括緊急自動剎車、車道偏離警告、行人檢測、駕駛員提醒、盲點檢測、十字路口輔助等等。

先進的GPU是并行處理單元，可用于重復算法，如在ADAS的許多功能中使用的算法。GPU的并行性和乘法／累加結構是實現卷積神經網絡（CNN）完美解決方案。

CNN算法已經存在了30多年了，直到最近它們才為服務器群處理提供保護。然而，隨著SoC處理技術的進步、CNN算法效率的提高和GPU的進步，現在可以開始在網絡邊緣而不僅僅是在云端實現。

對于ADAS功能來說，任何需要某種程度的圖像處理的功能，比如提取道路標志信息，都非常適合使用CNN來提高整體性能。與標準的高端CPU相比，嵌入式高端PowerVRGPU提供的性能高20倍，而功耗更低。

最終，CNN在硬件方面將會加速，因為它們的功能已經被很好地理解，甚至已經是標準化的。然而，在完全優化的解決方案出現之前，GPU計算可以支持新型神經網絡和其他加速技術的原型化和部署。

未來GPU和ADAS的兼容關系

未來ADAS平臺所需的性能水平迫使GPU日益增大，制造成本也會相應地增加。平臺廠商將共同分擔這個成本，且與配置在汽車中的其他系統共享GPU。但前提是，GPU支持硬件加速虛擬化。有了虛擬化，GPU才可以被多個操作環境共享，且這些環境不會意識到彼此的存在（因此能夠互相影響）。

具有最佳的功耗效率和內存帶寬PowerVRGPU微架構的設計，可以提供一個契合汽車技術需求平衡的GPU設計。其系統具有絕佳的性能，顯示屏尺寸越來越大且分辨率越來越高，駕駛員和乘客可以有效地互動，這個設計本身便是非常符合下一代ADAS應用程序的發展趨勢。

尤其是，當下一代ADAS和全自動駕駛汽車到來的時候，任何有助于GPU固有優勢的事物，尤其是在圖像分析或并行信號處理領域，都可以輔助汽車更好地感知周邊環境，并在更復雜的環境中更有效地運行。

結尾

過去汽車電子芯片以與傳感器一一對應的電子控制單元（ECU）為主，主要分布與發動機等核心部件上。隨著汽車智能化的發展，汽車傳感器越來越多，傳統的分布式架構逐漸落后，由中心化架構DCU、MDC逐步替代。

隨著人工智能發展，汽車智能化形成趨勢，目前輔助駕駛功能滲透率越來越高，這些功能的實現需借助于攝像頭、雷達等新增的傳感器數據，其中視頻（多幀圖像）的處理需要大量并行計算，傳統CPU算力不足，這方面性能強大的GPU替代了CPU．

無論是新動力系統，車載信息娛樂系統，還是自動駕駛汽車，汽車技術都在以前所未有的速度迅猛發展。新的顛覆性技術和行業參與者正在向傳統的汽車概念發起挑戰。明天的駕駛體驗將與今天大不相同。