Benchmark ajuda a classificar as métricas ADAS SoC

As empresas de chips automotivos falam o tempo todo sobre system-on-chips projetados para sistemas avançados de assistência à direção.

Mas como pode o resto de nós - repórteres, analistas e, mais importante, fabricantes de automóveis - diferenciar um ADAS SoC de outro?

A verdade é que não podemos. A ausência de ferramentas científicas e benchmarks deixa pouca escolha a não ser aceitar a palavra do fornecedor. Ou contamos com medidas imperfeitas como trilhões de operações por segundo (TOPS) para comparar o EyeQ5 da Intel / Mobileye com o Xavier da Nvidia, que provavelmente é um boi vagabundo.

Cerca de um mês atrás, o EEMBC, um consórcio da indústria que desenvolve benchmarks para hardware embarcado, lançou o “ADASMark”, um pacote de benchmark de direção autônomo, que agora está disponível para licenciamento.

O novo conjunto de ferramentas, de acordo com a EEMBC, foi projetado para ajudar os tier ones e os fabricantes de automóveis a otimizar o uso de recursos de computação que variam de CPU a GPU e aceleradores de hardware quando projetam seus próprios sistemas ADAS.

Mike Demler, um analista sênior do The Linley Group, deu as boas-vindas ao ADASMark, observando:“É bom ver que esta não é apenas uma métrica de desempenho abstrata, mas eles usaram cargas de trabalho reais”. Demler disse que a participação da AU-Zone Technologies - uma empresa de serviços de design de engenharia com sede em Calgary - e de fornecedores de chips como NXP Semiconductors e Texas Instruments tornou o teste de EEMBC mais significativo do que, por exemplo, o DeepBench genérico do Baidu.

É tudo sobre estruturas
EE Times conversou com Peter Torelli, presidente e CTO da EEMBC, para perguntar sobre os desafios que os fabricantes de automóveis enfrentam quando se propõem a projetar veículos altamente automatizados.

Não há dúvida de que cada vez mais sistemas embarcados automotivos implantam vários núcleos. No entanto, como Torelli apontou, “ainda existem muito poucos frameworks que podem utilizar seus recursos de computação assimétricos”. Ele acrescentou:“Sem uma estrutura, cada instância do benchmark compilado variaria drasticamente, dependendo do hardware, e tornaria as comparações entre plataformas extremamente difíceis. As estruturas facilitam a portabilidade com muito poucas modificações. ”

Considere o Pipeline ADASMark abaixo, disse ele.


(Fonte:EEMBC)

Torelli disse:“O desempenho básico deste sistema pode estar usando a mesma CPU para todos os estágios do pipeline. Mas e se um desenvolvedor quisesse trocar um chip de rede neural customizado para o último estágio? Ou talvez use um DSP dedicado para a conversão do espaço de cores? ”

É aqui que entra uma estrutura.

“Sem uma estrutura, o desenvolvedor precisaria inserir o código para fazer a interface entre o benchmark e o dispositivo de computação (NN, DSP ou GPU). Isso é demorado, complicado e sujeito a erros e pode facilmente interromper a intenção do benchmark (ou corromper os resultados). ”

Uma estrutura torna esse redirecionamento de dispositivos de computação muito mais fácil, explicou Torelli.

A EEMBC inicialmente examinou as opções disponíveis no mercado hoje. “AMP e OpenAMP tentam resolver isso, mas são especificações para multicore simétrico e não nos ajudam muito aqui”, disse Torelli. “Também olhamos para OpenCV e OpenVX, mas o suporte era irregular entre os fabricantes.”

É assim que a EEMBC desenvolveu o ADASMark com base em uma nova estrutura com uma carga de trabalho mais relevante.

Foco no pipeline de imagens
Os principais recursos do ADASMark Benchmark Suite, de acordo com a EEMBC, “incluem uma API OpenCL 1.2 Embedded Profile para garantir a consistência entre as implementações de computação; fluxos de aplicativos criados por uma série de micro-benchmarks que medem e relatam o desempenho de SoCs que lidam com visão computacional, direção autônoma e tarefas de imagem móvel; e um mecanismo de inferência CNN de reconhecimento de sinais de trânsito criado pela Au-Zone Technologies. ”

Como o ADAS requer detecção de objetos de computação intensiva e recursos de classificação visual, o foco do ADASMark está no pipeline de imagem. Parece usar “cargas de trabalho do mundo real que representam aplicativos altamente paralelos, como costura surround view, detecção de contorno e classificação de sinais de tráfego de rede neural convolucional (CNN)”, explicou EEMBC.