[论文解读] Embedded Platforms for Computer Vision-based Advanced Driver Assistance Systems: a Survey

Gorka Vélez, Oihana Otaegui|arXiv (Cornell University)|Apr 28, 2015

Autonomous Vehicle Technology and Safety参考文献 19被引用 5

一句话总结

本综述回顾了用于基于计算机视觉的高级驾驶辅助系统（ADAS）的嵌入式平台，分析了设计权衡与实现挑战。它评估了多种硬件解决方案——如GPU、FPGA和专用加速器——并对它们在车载环境中处理实时视觉工作负载的适用性进行了批判性评估。

ABSTRACT

Computer Vision, either alone or combined with other technologies such as radar or Lidar, is one of the key technologies used in Advanced Driver Assistance Systems (ADAS). Its role understanding and analysing the driving scene is of great importance as it can be noted by the number of ADAS applications that use this technology. However, porting a vision algorithm to an embedded automotive system is still very challenging, as there must be a trade-off between several design requisites. Furthermore, there is not a standard implementation platform, so different alternatives have been proposed by both the scientific community and the industry. This paper aims to review the requisites and the different embedded implementation platforms that can be used for Computer Vision-based ADAS, with a critical analysis and an outlook to future trends.

研究动机与目标

• 识别并分析在嵌入式车载系统中部署计算机视觉算法的关键设计需求。
• 评估用于ADAS的各类嵌入式平台，包括通用型与专用硬件。
• 对平台能力、性能及视觉ADAS工作负载下的能效进行批判性比较。
• 识别当前实现方法中的差距与挑战，并提出未来研究方向。

提出的方法

• 系统性回顾基于计算机视觉的ADAS中使用的嵌入式平台，重点关注软硬件协同设计的权衡。
• 将平台分类为通用型（如CPU、GPU）和领域专用型（如FPGA、ASIC、DSP）解决方案。
• 分析不同平台在延迟、吞吐量和功耗等性能指标上的表现。
• 评估将视觉算法移植到嵌入式系统的编程模型与工具链。
• 整合来自工业界与学术界的案例研究及实际实现。
• 综合分析面向车载应用的实时视觉处理中的趋势与挑战。

实验结果

研究问题

• RQ1 在嵌入式车载平台上部署计算机视觉算法时，主要的设计约束是什么？
• RQ2 在ADAS工作负载下，不同嵌入式平台（如GPU、FPGA、ASIC）在性能、能效和灵活性方面如何比较？
• RQ3 将复杂视觉算法映射到资源受限的嵌入式系统时，主要挑战是什么？
• RQ4 当前硬件平台如何支持ADAS应用的实时处理需求？
• RQ5 面向基于视觉的ADAS，嵌入式平台的新兴趋势与未来发展方向是什么？

主要发现

• 没有单一嵌入式平台适用于所有ADAS视觉工作负载，因为性能、功耗与灵活性之间的权衡因应用场景而异。
• GPU为视觉算法提供了强大的并行处理能力，但在车载环境中面临功耗与热管理的限制。
• FPGA具备高度可定制性与低延迟优势，但开发与优化需要大量专业知识。
• 专用加速器（如ASIC）可实现最佳性能与能效，但灵活性差且开发成本高。
• 结合多种处理单元（如CPU + GPU + FPGA）的混合架构在性能与适应性之间展现出良好平衡潜力。
• 缺乏标准化的开发栈与工具链仍是行业广泛采用的主要障碍。