Benchmark ayuda a clasificar las métricas de ADAS SoC

Las empresas de chips automotrices hablan todo el tiempo sobre sistemas en chips diseñados para sistemas avanzados de asistencia a la conducción.

Pero, ¿cómo podemos el resto de nosotros, periodistas, analistas y, lo que es más importante, los fabricantes de automóviles, distinguir un SoC de ADAS de otro?

La verdad es que no podemos. La ausencia de herramientas científicas y puntos de referencia no deja otra opción que aceptar la palabra del proveedor. O nos basamos en medidas tan imperfectas como billones de operaciones por segundo (TOPS) para comparar EyeQ5 de Intel / Mobileye con Xavier de Nvidia, que probablemente sea un vago.

Hace aproximadamente un mes, EEMBC, un consorcio de la industria que desarrolla puntos de referencia para hardware integrado, lanzó "ADASMark", un paquete de pruebas de conducción autónoma, que ahora está disponible para licencia.

El nuevo conjunto de herramientas, según EEMBC, está diseñado para ayudar a los de nivel y a los fabricantes de automóviles a optimizar el uso de los recursos informáticos que van desde CPU a GPU y aceleradores de hardware cuando diseñan sus propios sistemas ADAS.

Mike Demler, analista senior de The Linley Group, dio la bienvenida a ADASMark y señaló:"Es bueno ver que esta no es solo una métrica de rendimiento abstracta, sino que utilizaron cargas de trabajo reales". Demler dijo que la participación de AU-Zone Technologies, una empresa de servicios de diseño de ingeniería con sede en Calgary, y proveedores de chips como NXP Semiconductors y Texas Instruments hicieron que la prueba de EEMBC fuera más significativa que, por ejemplo, el DeepBench genérico de Baidu.

Se trata de marcos
EE Times se reunió con Peter Torelli, presidente y director de tecnología de EEMBC, para preguntarle sobre los desafíos que enfrentan los fabricantes de automóviles cuando se propusieron diseñar vehículos altamente automatizados.

No hay duda de que cada vez más sistemas integrados de automoción implementan varios núcleos. Sin embargo, como señaló Torelli, "todavía hay muy pocos marcos que puedan utilizar sus recursos informáticos asimétricos". Añadió:“Sin un marco, cada instancia del punto de referencia compilado variaría drásticamente según el hardware y haría que las comparaciones entre plataformas fueran extremadamente difíciles. Los marcos facilitan la portabilidad con muy pocas modificaciones ”.

Considere el ADASMark Pipeline a continuación, dijo.

Torelli dijo:“El rendimiento de referencia de este sistema podría estar usando la misma CPU para todas las etapas del proceso. Pero, ¿y si un desarrollador quisiera cambiar un chip de red neuronal personalizado para la última etapa? ¿O quizás utilice un DSP dedicado para la conversión del espacio de color? ”

Aquí es donde entra en juego un marco.

“Sin un marco, el desarrollador necesitaría insertar código para la interfaz entre el banco de pruebas y el dispositivo de cómputo (NN, DSP o GPU). Esto lleva mucho tiempo, es complicado y propenso a errores, y puede interrumpir fácilmente la intención del punto de referencia (o corromper los resultados) ".

Un marco facilita mucho la reorientación de los dispositivos informáticos, explicó Torelli.

EEMBC examinó inicialmente las opciones disponibles en el mercado actual. "AMP y OpenAMP intentan solucionar esto, pero son especificaciones para multinúcleo simétrico, y realmente no nos ayudan aquí", dijo Torelli. "También analizamos OpenCV y OpenVX, pero el soporte fue irregular entre el panorama de los fabricantes".

Así es como EEMBC llegó a desarrollar ADASMark basado en un nuevo marco con una carga de trabajo más relevante.

Centrarse en la canalización de imágenes
Las características clave de ADASMark Benchmark Suite, según EEMBC, “incluyen una API de perfil integrado OpenCL 1.2 para garantizar la coherencia entre las implementaciones informáticas; flujos de aplicaciones creados por una serie de micro-evaluaciones comparativas que miden e informan el desempeño de los SoC que manejan visión por computadora, conducción autónoma y tareas de imágenes móviles; y un motor de inferencia CNN de reconocimiento de señales de tráfico creado por Au-Zone Technologies ”.

Debido a que ADAS requiere capacidades de clasificación visual y detección de objetos intensivas en cómputo, el enfoque de ADASMark está en la canalización de imágenes. Busca utilizar "cargas de trabajo del mundo real que representan aplicaciones altamente paralelas, como la unión de vistas envolventes, la detección de contornos y la clasificación de señales de tráfico de red neuronal convolucional (CNN)", explicó EEMBC.