近幾十年來，圖形處理器（GPU）已從最初作為大型電玩的視頻顯示適配器演進為一個強大的計算中心，并且正在推動人工智能和機器學習的發展，包括從石油和天然氣勘探到自然語言處理等眾多領域的計算工作。如今，GPU正在自動駕駛和先進駕駛輔助系統（ADAS）技術的發展中扮演著越來越重要的作用。

　　在本文中，我們將介紹神經網絡硬件加速器在自動駕駛計算平臺的重要作用，他可以將極高性能和極低功耗完美結合在一起。

　　你或許想知道GPU是如何從電子游樂場走向前沿科學研究和自動駕駛汽車的？GPU作為處理大數據工作負載的首選處理器而逐漸崛起，歸因于傳統中央處理器（CPU）和GPU之間存在一些基本的架構差異。GPU是一種專用的微處理器，最初是為渲染游戲中的視覺效果和3D圖形而設計，這些游戲需要強大的計算能力來顯示實時動作效果。為了提供這種能力，GPU使用數千個小型高效的內核來實現可同時處理大量數據的大規模并行架構。

　　相比之下，典型的CPU僅由幾個內核和大量高速緩存組成，通常設計為一次只處理幾個軟件線程。CPU針對順序串行處理進行了優化，更適合于通用的計算工作。然而，當涉及同時處理大量數據時，GPU則更勝一籌。

　　GPU憑借數百個內核能夠并行處理數千個線程，與典型CPU的性能相比，GPU可以將某些軟件的性能提高20倍以上。越來越多出現的情況是，我們期望計算機為我們解決那些具有挑戰性的計算問題都具有固有的并行結構——可以想想大量的視頻處理、圖像分析、信號處理和機器學習等流程，它們都必須能可靠、實時地運行才可以確保實現汽車自動駕駛。在諸如電池供電的電動汽車等功率受限的系統中，GPU往往能夠在實現這種處理速度的同時提供比CPU更高的能效和成本效益，這一點也很重要。

　　GPU是為ADAS量身定制的

　　GPU非常適合汽車自動駕駛和ADAS技術對處理能力的要求，尤其是在圖像分析和并行信號處理方面。對于起初為游戲而開發的GPU而言，圖像處理是其最擅長的領域。事實上，就計算方面來講，幾乎任何密集并行計算都適合用GPU來處理。

　　ADAS平臺可以利用GPU的圖形計算能力去實時處理和分析傳感器數據。

　　這些離散傳感器包括：

　　· 光探測和測距（激光雷達），用脈沖激光測量到目標的距離。

　　· 無線電探測和測距（雷達），與激光雷達類似，但使用無線電波代替激光。

　　· 紅外（IR）攝像系統，使用熱成像技術在黑暗中進行感知。

　　所有這些使ADAS能夠更好地解析環境，并且可提升系統輔助駕駛員和維護自動駕駛汽車安全性的能力。自動駕駛汽車分為6個級別，從完全沒有自動化的0級（Level 0）到汽車完全自主的5級（Level 5）。隨著我們從2級提升至4級和5級，就越來越需要車內系統能夠對車輛所行駛的世界有更詳細、更廣泛的了解。