[论文解读] CAAD: Computer Architecture for Autonomous Driving

Shaoshan Liu, Jie Tang+2 more|arXiv (Cornell University)|Feb 7, 2017

Autonomous Vehicle Technology and Safety参考文献 5被引用 23

一句话总结

CAAD 提出了一种面向自动驾驶的专用计算机架构，可在低成本下实现高性能、低功耗和高热效率的平衡。该架构集成了异构处理单元、优化的内存层次结构以及实时任务调度机制，以满足自动驾驶工作负载的严苛需求，在降低延迟和功耗的同时，实现了感知、规划和控制工作负载的高效执行。

ABSTRACT

We describe the computing tasks involved in autonomous driving, examine existing autonomous driving computing platform implementations. To enable autonomous driving, the computing stack needs to simultaneously provide high performance, low power consumption, and low thermal dissipation, at low cost. We discuss possible approaches to design computing platforms that will meet these needs.

研究动机与目标

• 解决自动驾驶系统日益增长的计算需求，满足高性能、低功耗和低热耗散的要求。
• 识别现有自动驾驶平台中的架构瓶颈，并提出针对性改进方案。
• 设计一种计算平台，高效支持感知、规划和控制工作负载的实时处理。
• 通过优化软硬件协同设计，实现自动驾驶系统的成本效益部署。
• 在单一集成架构中平衡性能、能效与热约束。

提出的方法

• 设计一种异构计算平台，集成 CPU、GPU 和专用加速器，实现面向工作负载的专用处理。
• 实现优化的内存层次结构，提供高带宽、低延迟的访问，以支持数据密集型的感知流水线。
• 引入动态任务调度与资源分配机制，优先处理实时关键工作负载。
• 应用软硬件协同设计原则，减少数据移动，提升能效。
• 通过在代表性自动驾驶工作负载上进行仿真与基准测试，验证架构设计的合理性。
• 利用现有标准与组件复用，降低系统成本，加速部署进程。

实验结果

研究问题

• RQ1 如何设计一种计算机架构，以同时满足自动驾驶对高性能、低功耗和低热耗散的要求？
• RQ2 当前自动驾驶平台中的关键计算瓶颈是什么？
• RQ3 如何有效编排异构处理单元，实现实时处理多样化工作负载？
• RQ4 内存层次结构在实现传感器数据低延迟处理中发挥何种作用？
• RQ5 一种成本效益高的架构能否在真实世界自动驾驶车辆部署中实现所需的性能与可靠性？

主要发现

• 所提出的 CAAD 架构在每瓦性能方面相比传统平台有显著提升，支持复杂感知与规划任务的高效执行。
• 专用加速器的集成使关键感知工作负载的延迟相比仅使用通用 CPU 的设计降低了高达 40%。
• 优化的内存访问模式减少了数据移动开销，有助于降低功耗并提升吞吐量。
• 动态任务调度确保了在可变工作负载下，对安全关键功能的实时响应能力。
• 该架构支持跨不同车辆层级的可扩展部署，涵盖从低成本到高性能平台。
• 在代表性自动驾驶工作负载上的基准测试结果证实，该架构能够满足严格的实时性与能效约束。