EEMBC lanza ADASMark: Benchmark real para SoCs de asistencia avanzada al conductor

Los fabricantes de chips automotrices promocionan regularmente sus system-on-chips (SoCs) construidos para Sistemas Avanzados de Asistencia al Conductor (ADAS). Sin embargo, sin métricas objetivas, las partes interesadas —periodistas, analistas y, lo más crítico, fabricantes de automóviles— encuentran casi imposible distinguir un SoC ADAS de otro.

En la práctica, el mercado depende de afirmaciones de proveedores o métricas crudas como trillones de operaciones por segundo (TOPS). Comparar EyeQ5 de Intel/Mobileye con Xavier de Nvidia solo con TOPS es engañoso y ofrece poca insight accionable.

Para abordar esta brecha, el consorcio de hardware embebido EEMBC lanzó recientemente ADASMark, una suite de benchmarks de conducción autónoma ahora disponible para licenciamiento. El toolset está diseñado para ayudar a proveedores tier-one y fabricantes de autos a optimizar recursos de cómputo —desde CPUs a GPUs y aceleradores dedicados— al diseñar sus stacks ADAS.

Mike Demler, analista senior en The Linley Group, elogió ADASMark: «Es refrescante que este benchmark se base en cargas de trabajo reales, no solo números abstractos». Destacó la participación de AU-Zone Technologies, NXP Semiconductors y Texas Instruments, que dan a la suite un borde práctico sobre tests genéricos como DeepBench de Baidu.

Diseño centrado en framework

EE Times entrevistó a Peter Torelli, presidente y CTO de EEMBC, sobre los desafíos que enfrentan los fabricantes de autos a medida que los vehículos se vuelven cada vez más automatizados. Señaló que mientras muchos sistemas embebidos ahora despliegan múltiples núcleos, «todavía hay muy pocos frameworks que puedan aprovechar completamente recursos de cómputo asimétricos». Sin un framework robusto, cada instancia de benchmark variaría dramáticamente entre hardware, complicando comparaciones cross-platform.

Ilustrado por el diagrama de pipeline ADASMark abajo, el rendimiento base usa una sola CPU para todas las etapas. Sin embargo, un desarrollador podría querer enchufar un chip neural-net personalizado para la etapa final de inferencia o un DSP dedicado para conversión de espacio de color.

En tales escenarios, un framework simplifica el retargeting de dispositivos de cómputo, eliminando la necesidad de que desarrolladores escriban código de interfaz a medida —un proceso que consume tiempo, es propenso a errores y puede distorsionar resultados de benchmark.

«AMP y OpenAMP están diseñados para sistemas multicore simétricos y no abordan nuestras necesidades», explicó Torelli. «OpenCV y OpenVX ofrecen soporte parcial, pero la adopción por fabricantes es inconsistente». Este análisis llevó a EEMBC a crear ADASMark alrededor de un framework personalizado adaptado a cargas de trabajo reales.

Enfoque en pipeline de imagen

Características clave de ADASMark incluyen una API OpenCL 1.2 Embedded Profile para asegurar consistencia entre implementaciones; una serie de micro-benchmarks que cuantifican rendimiento para SoCs manejando tareas de computer-vision, conducción autónoma e imaging móvil; y un motor de inferencia CNN de reconocimiento de señales de tráfico desarrollado por AU-Zone Technologies.

Como ADAS requiere capacidades intensivas de detección de objetos y clasificación visual, ADASMark se centra en el pipeline de imagen. Modela cargas de trabajo altamente paralelas como stitching de vista surround, detección de contornos y clasificación de señales de tráfico basada en CNN —exactamente las tareas que sustentan la funcionalidad ADAS moderna.