Warum DSPs plötzlich überall sind

Als ARM-CPU-Kerne zum ersten Mal durch einige der führenden Namen der Computerbranche, darunter Apple, validiert wurden, explodierte die Verwendung insbesondere für mobile Anwendungen. Im Nachhinein war der Vorteil offensichtlich – jedes Gerät könnte mit einem eingebetteten Prozessor viel flexibler und funktionsreicher gemacht werden. Gleichzeitig könnte diese Fähigkeit in der Software aktualisiert werden:Eine einzige Hardwareplattform könnte mehrere Produktversionen durch reine Software-Upgrades vorantreiben.

(Quelle:CEVA)

Diese Rechenmaschinen sind sehr flexibel und eignen sich perfekt für viele Verwaltungs- und allgemeine Rechenaufgaben in unseren Smartphones und anderen mobilen Produkten, aber diese Allgemeinheit hat einen Nachteil. Es gibt bestimmte Vorgänge, die auf einem Allzweckcomputer viel zu langsam ablaufen und viel zu viel Strom verbrauchen, um praktikabel zu sein. Das Modem im drahtlosen Kommunikationsteil Ihres Smartphones war ein frühes Beispiel. Diese muss Funksignale in Echtzeit verarbeiten, wobei es sich jeweils nicht um die bekannten digitalen Wörter und Bits handelt, die innerhalb des Computerteils des Telefons verwendet werden, sondern um eine digitalisierte Version der sich ständig ändernden analogen Signale, die bei der Funkübertragung und beim Funkempfang verwendet werden .

Digitale Signalprozessoren (DSPs) sind für diese Art der Analyse konzipiert. Sie verfügen über die eingebaute Gleitkommadarstellung, die für digitalisierte Signale benötigt wird, und sie bieten eine starke Unterstützung für die mathematischen Funktionen, die in der Signalverarbeitung benötigt werden, wie z. B. Mehrfachakkumulationsfunktionen (MAC). Sie sind auch für die Verarbeitung von Streaming-Daten optimiert, anstatt die eher stapelorientierte Verarbeitung, die bei herkömmlichen Computern üblich ist, ein wesentliches Merkmal in diesem Fall für die Verarbeitung von kontinuierlichen Funkübertragungen und -empfangen.

Die Anforderungen an die Audioverarbeitung haben viele der gleichen Funktionen wie bei der drahtlosen Signalverarbeitung. Diese Anwendung von DSPs wurde in High-End-Audioanwendungen wie Entzerrung und Bereichskomprimierung (z

Dann nahm die KI Fahrt auf, zunächst nur in Rechenzentren, jetzt aber immer mehr in mobilen und anderen Edge-Anwendungen. Unsere Autos können jetzt Fußgänger und potenzielle Kollisionen erkennen und sie können Fahrbahnmarkierungen erkennen, um das Lenken in einer grundlegenden Form des autonomen Fahrens zu leiten. Wir können unsere Fernseher oder unsere intelligenten Lautsprecher über Sprachbefehle steuern, um ein Lied oder einen Film zu finden oder die Lautstärke zu verringern oder zu erhöhen. Wir können sogar die GoPro an unserem Fahrradschutzhelm über Sprachbefehle steuern, um die Aufnahme von Bildern zu starten oder zu stoppen.

Alle diese Fähigkeiten hängen von der Verarbeitung von Streaming-Daten (Sprache) oder Bildern (Standbilder der Kamera) oder möglicherweise beidem (Video) ab, jeweils in Echtzeit oder sehr nahe an Echtzeit. Schauen Sie sich zuerst die Audioverarbeitung an. Zuerst müssen Sie ein qualitativ hochwertiges Streaming-Audiosignal erfassen – durch Audio-Beamforming von mehreren Mikrofonen, Echokompensation und Rauschunterdrückung – alles Bereiche, in denen bereits jahrelange Erfahrung mit DSP-Implementierungen vorhanden ist.

Dann müssen Sie Befehle mithilfe eines trainierten neuronalen Netzes erkennen, der Grundlage fast aller dieser KI-Techniken. Diese Algorithmen sehen ganz anders aus als diejenigen, die Sie auf einer CPU ausführen würden. und obwohl sie auf einer CPU laufen können, wären sie langsam und entladen den Akku schnell. Ein besserer Ansatz besteht darin, das neuronale Netz auf einer Architektur zu programmieren, die ein hohes Maß an Parallelität bietet, sodass viele Berechnungen gleichzeitig und nicht seriell wie auf einer CPU ausgeführt werden können. Dies ist eine weitere Kernstärke eines DSP – Parallelität in der Berechnung.

Sie fragen sich vielleicht, ob DSPs trotz all dieser Vorteile einfach zu komplex sind, um von anderen als den Spezialisten übernommen zu werden, die keine andere Wahl haben, als sie zu verwenden. Sicherlich sind sie nicht ganz so einfach zu bedienen wie CPUs, aber die Unterschiede sind nicht so groß. Sie schreiben C-Code für beide, obwohl Sie bei dem Code, den Sie für einen DSP schreiben, etwas sorgfältiger vorgehen müssen, um die Leistung voll ausnutzen zu können.

(Quelle:CEVA)

Was die weit verbreitete Akzeptanz angeht, verwendet jedes Radio auf Ihrem Telefon – Bluetooth, Wi-Fi und Mobilfunk – einen oder mehrere DSPs. Bluetooth-Ohrhörer verwenden DSPs für Bluetooth und auch für Audio. Viele Smart Speaker verwenden DSPs. Sprachgesteuerte Fernbedienungen verwenden DSPs. Heimsicherheitssysteme verwenden DSPs, um anomale Bewegungen von Kameras und ungewöhnliche Geräusche wie das Bellen eines Hundes oder das Zerbrechen von Glas zu erkennen. Intelligente Sensoren in Ihrem Auto verwenden DSPs, um Vorwärts- und Rückwärtsgefahren sowie Fahrbahnmarkierungen zu erkennen.

Warum nicht GPUs für all diese Funktionen verwenden? GPUs sind in der Tat speziell für KI sehr bekannt und werden in Rechenzentren häufig für das Training neuronaler Netze eingesetzt. Aber für viele Edge-Anwendungen sind sie zu groß, zu stromhungrig und zu teuer. Aus Gründen der Stromversorgung, der Sicherheit und des Datenschutzes gibt es einen großen Vorstoß, mehr KI-Funktionen auf diese Geräte zu übertragen. Aber das müssen sehr kostengünstige Lösungen sein. In den meisten Fällen besteht wenig Interesse daran, die Kosten der Gesamtlösung (Auto, Fernseher, Haussicherheit) erheblich zu erhöhen.

Aus diesem Grund werden eingebettete DSPs überall verbreitet. Sie können Ihr Produkt kostengünstig und mit geringem Stromverbrauch um Sprachsteuerung, Objekterkennung, Audioqualitätskontrolle und vieles mehr erweitern und dabei die Flexibilität der Softwareprogrammierbarkeit beibehalten. Sie werden keine CPUs für Verwaltung und allgemeine Verarbeitung ersetzen, aber es sieht so aus, als ob sie alles übernehmen, was mit Smart Audio und Video/Imaging zu tun hat.

Dieser Blog ist der erste einer Reihe und wird mit den Beiträgen „Wenn ein DSP einen Hardwarebeschleuniger schlägt . fortgesetzt “ und „Entscheidungen, Entscheidungen:Hardwarebeschleuniger oder DSP ?“.