www.design-reuse-china.com
搜索,选择,比较,与提供商进行安全高效的联系
Design & Reuse We Chat
D&R中国官方微信公众号,
关注获取最新IP SOC业界资讯

如何使用高层次综合(HLS)方法加快自动驾驶设计流程?

自动驾驶汽车和 ADAS 的实现取决于能否融合来自 LiDAR、雷达、摄像机和其他装置的传感器数据。传感器融合任务将越来越多地使用定制处理硬件FPGA 或 ASIC 来完成。而且需要更多的定制芯片来应用机器学习和 AI,以基于这些传感器数据做出决策。本白皮书介绍了如何使用高层次综合 (HLS) 方法加快设计流程和应对验证挑战,在某些情况下,该方法远优于手工编码的RTL。

www.eet-china.com, Apr. 19, 2021 – 

自动驾驶汽车需要复杂的传感器结构才能正常运作。这些传感器包括 LiDAR、雷达、视频等,它们持续产生大量与汽车周围环境相关的实时数据。传感器不断地将其输出发送到与处理单元连接的功能强大的域控制器以进行分析。来自不同传感器的离散数据随后会合并,产生与车辆的位置、速度、方向和周围环境有关的有意义信息。此过程称为传感器融合。

传感器融合面临的挑战包括设计和验证定制芯片,以及通常情况下设计和验证运行芯片的车辆硬件和软件系统,这也概括了 ADAS 和自动驾驶领域的工程团队所需的跨领域工作。实际上,鉴于各种城市景观和人类驾驶行为,理想情况下,设计和验证任务甚至应该延伸至城市交通场景,而这些场景本身就是非常复杂的系统。要解决的问题贯穿芯片到城市的整个范围,必须最终进行通盘考虑,即使特定学科(例如芯片设计)内的工作和以往一样复杂也是如此。

在硬件中实现机器学习算法本身就是一个挑战。例如, 一种常见的对象检测算法是基于 CNN(卷积神经网络), 它支持 “自适应巡航控制” 和 “前/后碰撞警示系统” —— 这对于实现全自动驾驶汽车显然至关重要。CNN 由多层组成,每层执行多组卷积。每层的卷积滤波器都是经过编程的 “特征检测器”,用于查找某些特征,例如水平线、垂直线等。

点击阅读更多

 Back

业务合作

广告发布

访问我们的广告选项

添加产品

供应商免费录入产品信息

© 2023 Design And Reuse

版权所有

本网站的任何部分未经Design&Reuse许可,
不得复制,重发, 转载或以其他方式使用。