EEMBC startet ADASMark: Real-World Benchmark für Advanced Driver Assistance SoCs

Automotive Chip Maker preisen regelmäßig ihre System-on-Chips (SoCs) an, die für Advanced Driver Assistance Systems (ADAS) gebaut sind. Doch ohne objektive Metriken finden Stakeholder – Reporter, Analysten und am kritischsten, Automobilhersteller – es nahezu unmöglich, einen ADAS SoC von einem anderen zu unterscheiden.

In der Praxis verlässt sich der Markt auf Vendor Claims oder rohe Metriken wie Trillion Operations Per Second (TOPS). Den Vergleich von Intel/Mobileyes EyeQ5 mit Nvidias Xavier allein mittels TOPS ist irreführend und bietet wenig actionable Insight.

Um diese Lücke zu schließen, hat der Embedded-Hardware-Konsortium EEMBC kürzlich ADASMark gestartet, eine Suite autonomer Fahr-Benchmarks, die jetzt für Lizenzierung verfügbar ist. Das Toolset ist engineered, um Tier-One-Supplier und Automaker bei der Optimierung von Compute-Ressourcen – von CPUs über GPUs bis zu dedizierten Acceleratoren – beim Design ihrer ADAS-Stacks zu unterstützen.

Mike Demler, Senior Analyst bei The Linley Group, lobte ADASMark: „Es ist erfrischend, dass dieser Benchmark in echten Workloads geerdet ist, nicht nur in abstrakten Zahlen.“ Er hob die Teilnahme von AU-Zone Technologies, NXP Semiconductors und Texas Instruments hervor, die der Suite einen praktischen Edge über generische Tests wie Baidus DeepBench geben.

Framework-zentrisches Design

EE Times interviewte Peter Torelli, EEMBCs President und CTO, über die Herausforderungen, denen Automaker gegenüberstehen, während Fahrzeuge zunehmend automatisiert werden. Er merkte an, dass während viele Embedded-Systeme nun mehrere Kerne deployen, „es immer noch sehr wenige Frameworks gibt, die asymmetrische Compute-Ressourcen voll ausnutzen können.“ Ohne robustes Framework würde jede Benchmark-Instanz dramatisch über Hardware variieren, was Cross-Platform-Vergleiche kompliziert.

Illustriert durch das ADASMark Pipeline-Diagramm unten, nutzt die Baseline-Performance eine einzelne CPU für alle Stufen. Ein Developer könnte jedoch einen custom Neural-Net-Chip für die finale Inferenz-Stufe oder einen dedizierten DSP für Farbraumkonvertierung einstecken.

In solchen Szenarien vereinfacht ein Framework das Retargeting von Compute Devices, eliminiert die Notwendigkeit für Entwickler, bespoke Interface Code zu schreiben – ein Prozess, der zeitaufwendig, fehleranfällig und Benchmark-Ergebnisse verzerren kann.

„AMP und OpenAMP sind für symmetrische Multicore-Systeme designed und adressieren unsere Bedürfnisse nicht“, erklärte Torelli. „OpenCV und OpenVX bieten partielle Unterstützung, aber Hersteller-Adoption ist inkonsistent.“ Diese Analyse führte EEMBC dazu, ADASMark um ein custom Framework herum zu erstellen, zugeschnitten auf Real-World-Workloads.

Imaging-Pipeline Fokus

Schlüssel-Features von ADASMark umfassen eine OpenCL 1.2 Embedded Profile API für Konsistenz über Implementierungen; eine Serie von Micro-Benchmarks, die Performance für SoCs quantifizieren, die Computer Vision, Autonomous Driving und Mobile Imaging Tasks handhaben; und eine Traffic-Sign-Recognition CNN Inference Engine, entwickelt von AU-Zone Technologies.

Da ADAS intensive Object-Detection und Visual-Classification-Fähigkeiten erfordert, zielt ADASMark auf die Imaging Pipeline ab. Es modelliert hochparallele Workloads wie Surround-View Stitching, Contour Detection und CNN-basierte Traffic-Sign-Klassifikation – genau die Tasks, die moderne ADAS-Funktionalität untermauern.