自动驾驶典型计算元素特性

典型计算元素特性

现有的计算元素（或处理器）具有不同的特性，这影响它们处理效率。下图显示了不同计算元素的处理效率与应用程序的处理特性（例如顺序与并行）的关系图。每个计算元素都有不同的特征来提高其效率和性能。这些特性从更通用到更特定的解决方案有所不同，由这些不同/可选的特征集定义。

现有处理器的计算特性

中央处理器（CPU）中央处理器是最流行的存储程序架构的处理器（计算元素）。程序被描述为一系列指令，所以通常每个指令会逐步执行操作。由于这种逐步执行，CPU通常适用于任何顺序操作的组合。另一方面，基本CPU不适合并行操作。为了解决这个问题，今天的CPU具有几个附加的可选功能。

•
单指令多数据（SIMD）/向量类型数据纯CPU不适合数据并行，因为内部数据路径带宽限制。为了解决这个限制，一些CPU具有SIMD或向量扩展，可以在一个指令或操作中处理多个（通常是4到16）数据流。此外，随着长数据字交易和更大的寄存器文件，与外部资源（如内存）的通信也将得到改善，但在处理大量内容时，仍会出现瓶颈。

• 多核

由于工艺技术趋势，在合理的功耗下提高单个CPU的性能是困难的。多核是解决这个问题的一种方法。如果应用程序具有多个（分离的）任务，多核将发挥很好的作用，但是如果它具有紧密耦合的内部通信，有时处理器间通信（IPC）将瓶颈操作。

数字信号处理器（DSP）

DSP旨在加速算术操作（加法、减法、乘法、除法），例如乘积累加操作。

数据压缩/解压缩、数字滤波、控制、识别等都包括在内，这些算法大量使用乘积累加计算（MAC），这使得DSP能够高速管理这些过程。

图形处理单元通用计算（GPGPU）

GPGPU是一种将GPU的计算资源应用于图像处理之外目的的技术。图形处理单元（GPU）具有成千上万的算术核心（着色器单元），并通过并行重复简单的数值计算来实现图像处理的高速执行。利用这一特性，可以以高速执行类似图像处理的处理，其中包括人工智能（AI），如机器学习和神经网络、虚拟货币挖矿、科技研究中的数值计算和模拟以及流体计算。

要利用GPGPU，需要不同于通用处理器的编程开发环境。为了充分利用它，需要适合该架构的编程技术，编程开发环境例如NVIDIA的“CUDA”（统一设备架构）、Microsoft的“Direct Compute”和Khronos Group的“OpenCL”等。

专用加速器（例如ISP， xNN）

专用加速器基于为特定应用定制的体系结构。例如，数据流和存储器遵循专用方案。加速器甚至可以提供定制逻辑，形成高度专业化的计算元素。这种专门化极大地增加了计算效率和性能，但以牺牲通用性为代价。使用专用加速器可能需要专用和/或专有编程，甚至需要专用工具和框架。