5、智能城市中的边缘设备与人工智能应用

智能城市中的边缘设备与人工智能应用

边缘设备在自动驾驶系统中的实现

在当今的科技领域，自动驾驶任务正借助边缘设备得以实现。这些边缘设备不仅在性能方面表现出色，而且相较于其他硬件，具有更高的安全性。然而，在执行诸如交通标志分类、车道检测、停车辅助或道路场景理解等不同的自动驾驶任务时，面临着诸多挑战。这些任务通常需要在资源受限的硬件上执行，其中包括像NVIDIA GPUs（Tegra或Jetson系列）、NPUs等先进的加速器。这些硬件的主要目标是在降低延迟的同时提高准确性。

为了在资源受限的硬件上部署基于神经网络的算法，如卷积神经网络（CNNs），需要采用一些嵌入或优化策略。这些策略旨在减小模型网络的整体规模，从而降低在不同硬件上执行的计算成本。一些常见的嵌入策略包括网络权重量化、剪枝和层融合等。研究人员还为自动驾驶系统功能提出了优化且有效的架构，以提升实时系统的性能。

例如，B. Yu等人使用Xilinx Ultrascalae + FPGA定义了车载系统（SoV）硬件架构。该架构在执行一些感知层任务，如深度估计和定位时，比一些现代加速器（包括NVIDIA TX2 SoCs）更为有效。从能耗角度来看，与涉及Intel Coffee Lake CPU、NVIDIA GTX 1060 GPU和NVIDIA TX2等SoC板的其他处理器相比，它在执行这些不同任务时消耗的能量最少。

在自动驾驶任务的计算模型实现中，硬件和模型本身之间存在着权衡关系。因此，主要目标是减少这种权衡，以确保在速度（高帧率）和准确性方面实现最佳性能。在实时驾驶系统中，将自动驾驶任务部署到不同硬件上时，性能和安全性应相辅相成。

自动驾驶系统的安全性

自