Benchmark hilft bei der Ermittlung der ADAS-SoC-Metriken

Automobilchiphersteller sprechen ständig von System-on-Chips, die für fortschrittliche Fahrassistenzsysteme entwickelt wurden.

Aber wie können wir anderen – Reporter, Analysten und vor allem Automobilhersteller – einen ADAS-SoC vom anderen unterscheiden?

Die Wahrheit ist, wir können nicht. Das Fehlen wissenschaftlicher Tools und Benchmarks lässt kaum eine andere Wahl, als sich auf das Wort des Anbieters zu verlassen. Oder wir verlassen uns auf so unvollkommene Messungen wie Billionen Operationen pro Sekunde (TOPS), um Intel/Mobileyes EyeQ5 mit Nvidias Xavier zu vergleichen, der wahrscheinlich ein Schwachkopf ist.

Vor etwa einem Monat hat EEMBC, ein Branchenkonsortium, das Benchmarks für eingebettete Hardware entwickelt, „ADASMark“ auf den Markt gebracht, eine Benchmark-Suite für autonomes Fahren, die jetzt zur Lizenzierung verfügbar ist.

Laut EEMBC soll die neue Tool-Suite Tier-One- und Automobilherstellern dabei helfen, ihre Rechenressourcen von CPU über GPU bis hin zu Hardwarebeschleunigern optimal zu nutzen, wenn sie ihre eigenen ADAS-Systeme entwickeln.

Mike Demler, Senior Analyst bei The Linley Group, begrüßte ADASMark und bemerkte:„Es ist gut zu sehen, dass dies nicht nur eine abstrakte Leistungskennzahl ist, sondern echte Workloads verwendet wurden.“ Demler sagte, dass die Teilnahme von AU-Zone Technologies – einem in Calgary ansässigen Engineering-Design-Dienstleistungsunternehmen – und Chipherstellern wie NXP Semiconductors und Texas Instruments den EEMBC-Test aussagekräftiger machte als beispielsweise Baidus generische DeepBench.

Alles dreht sich um Frameworks
EE Times hat sich mit Peter Torelli, EEMBC-Präsident und CTO, getroffen, um nach den Herausforderungen zu fragen, denen sich Autohersteller bei der Entwicklung hochautomatisierter Fahrzeuge gegenübersehen.

Es steht außer Frage, dass immer mehr eingebettete Automobilsysteme mehrere Kerne verwenden. Wie Torelli jedoch betonte, „gibt es immer noch sehr wenige Frameworks, die ihre asymmetrischen Rechenressourcen nutzen können“. Er fügte hinzu:„Ohne ein Framework würde jede Instanz des kompilierten Benchmarks je nach Hardware dramatisch variieren und Vergleiche zwischen Plattformen extrem schwierig machen. Frameworks erleichtern die Portabilität mit sehr geringen Änderungen.“

Betrachten Sie die ADASMark-Pipeline unten, sagte er.

(Quelle:EEMBC)

Torelli sagte:„Die Basisleistung dieses Systems könnte darin bestehen, dass für alle Phasen in der Pipeline dieselbe CPU verwendet wird. Aber was, wenn ein Entwickler für die letzte Stufe einen benutzerdefinierten neuronalen Netzchip eintauschen möchte? Oder vielleicht einen dedizierten DSP für die Farbraumkonvertierung verwenden?“

Hier kommt ein Framework ins Spiel.

„Ohne ein Framework müsste der Entwickler Code einfügen, um eine Schnittstelle zwischen dem Benchmark und dem Rechengerät (NN, DSP oder GPU) herzustellen. Dies ist zeitaufwendig, kompliziert und fehleranfällig und kann leicht die Absicht des Benchmarks stören (oder die Ergebnisse verfälschen).“

Ein Framework macht dieses Retargeting von Computergeräten viel einfacher, erklärte Torelli.

EEMBC untersuchte zunächst Optionen, die heute auf dem Markt verfügbar sind. „AMP und OpenAMP versuchen, dies anzugehen, aber sie sind Spezifikationen für symmetrisches Multicore, und sie helfen uns hier nicht wirklich“, sagte Torelli. „Wir haben uns auch OpenCV und OpenVX angesehen, aber die Unterstützung in der Herstellerlandschaft war mangelhaft.“

So kam es, dass EEMBC ADASMark basierend auf einem neuen Framework mit einem relevanteren Workload entwickelt hat.

Fokus auf Imaging-Pipeline
Zu den wichtigsten Funktionen der ADASMark Benchmark Suite gehören laut EEMBC „eine OpenCL 1.2 Embedded Profile API, um die Konsistenz zwischen den Computing-Implementierungen sicherzustellen; Anwendungsflüsse, die durch eine Reihe von Mikrobenchmarks erstellt werden, die die Leistung von SoCs messen und melden, die Computer Vision, autonomes Fahren und mobile Bildgebungsaufgaben verarbeiten; und eine CNN-Inferenz-Engine zur Verkehrszeichenerkennung, die von Au-Zone Technologies entwickelt wurde.“

Da ADAS rechenintensive Objekterkennungs- und visuelle Klassifizierungsfunktionen erfordert, liegt der Fokus von ADASMark auf der Bildgebungspipeline. Es scheint "reale Workloads zu verwenden, die hochgradig parallele Anwendungen darstellen, wie Surround-View-Stitching, Konturerkennung und Convolutional Neural-Net (CNN)-Verkehrszeichenklassifizierung", erklärte EEMBC.