Benchmark aide à trier les métriques ADAS SoC

Les fabricants de puces automobiles parlent constamment des systèmes sur puces conçus pour les systèmes avancés d'aide à la conduite.

Mais comment le reste d'entre nous - journalistes, analystes et, plus important, constructeurs automobiles - pouvons-nous distinguer un SoC ADAS d'un autre ?

La vérité est que nous ne pouvons pas. L'absence d'outils et de références scientifiques ne laisse guère d'autre choix que de croire le vendeur sur parole. Ou nous nous appuyons sur des mesures aussi imparfaites que des milliards d'opérations par seconde (TOPS) pour comparer EyeQ5 d'Intel/Mobileye avec Xavier de Nvidia, qui est probablement un bouvillon.

Il y a environ un mois, EEMBC, un consortium industriel qui développe des références pour le matériel embarqué, a déployé « ADASMark », une suite de références de conduite autonome, qui est désormais disponible pour une licence.

La nouvelle suite d'outils, selon EEMBC, est conçue pour aider les constructeurs automobiles et les constructeurs automobiles à optimiser leur utilisation des ressources de calcul allant du CPU au GPU et aux accélérateurs matériels lorsqu'ils conçoivent leurs propres systèmes ADAS.

Mike Demler, analyste principal chez The Linley Group, a accueilli ADASMark, notant :« Il est bon de voir qu'il ne s'agit pas seulement d'une mesure de performance abstraite, mais qu'ils ont utilisé de vraies charges de travail. Demler a déclaré que la participation d'AU-Zone Technologies, une société de services de conception d'ingénierie basée à Calgary, et de fournisseurs de puces tels que NXP Semiconductors et Texas Instruments rendait le test d'EEMBC plus significatif que, par exemple, le DeepBench générique de Baidu.

Tout est question de frameworks
EE Times a rencontré Peter Torelli, président et directeur technique d'EEMBC, pour lui poser des questions sur les défis auxquels les constructeurs automobiles sont confrontés alors qu'ils entreprennent de concevoir des véhicules hautement automatisés.

Il ne fait aucun doute que de plus en plus de systèmes embarqués automobiles déploient plusieurs cœurs. Cependant, comme l'a souligné Torelli, "il existe encore très peu de frameworks qui peuvent utiliser leurs ressources de calcul asymétriques". Il a ajouté :« Sans cadre, chaque instance du benchmark compilé varierait considérablement en fonction du matériel et rendrait les comparaisons entre plates-formes extrêmement difficiles. Les frameworks facilitent la portabilité avec très peu de modifications. »

Considérez le pipeline ADASMark ci-dessous, a-t-il déclaré.

(Source :EEMBC)

Torelli a déclaré : « Les performances de base de ce système pourraient utiliser le même processeur pour toutes les étapes du pipeline. Mais que se passe-t-il si un développeur souhaite échanger une puce de réseau neuronal personnalisée pour la dernière étape ? Ou peut-être utiliser un DSP dédié pour la conversion de l'espace colorimétrique ?"

C'est là qu'intervient un framework.

« Sans framework, le développeur aurait besoin d'insérer du code pour s'interfacer entre le benchmark et le périphérique de calcul (NN, DSP ou GPU). Cela prend du temps, est compliqué et sujet aux erreurs, et peut facilement perturber l'intention de l'analyse comparative (ou corrompre les résultats). »

Un cadre rend ce reciblage des appareils de calcul beaucoup plus facile, a expliqué Torelli.

EEMBC a d'abord examiné les options disponibles sur le marché aujourd'hui. « AMP et OpenAMP tentent de résoudre ce problème, mais ce sont des spécifications pour le multicœur symétrique et ils ne nous aident pas vraiment ici », a déclaré Torelli. « Nous avons également examiné OpenCV et OpenVX, mais le support était inégal parmi le paysage des fabricants. »

C'est ainsi qu'EEMBC en est venu à développer ADASMark basé sur un nouveau framework avec une charge de travail plus pertinente.

Concentrez-vous sur le pipeline d'imagerie
Les fonctionnalités clés de la suite ADASMark Benchmark, selon EEMBC, « incluent une API de profil embarqué OpenCL 1.2 pour assurer la cohérence entre les implémentations de calcul ; des flux d'applications créés par une série de micro-benchmarks qui mesurent et rapportent les performances des SoC gérant les tâches de vision par ordinateur, de conduite autonome et d'imagerie mobile ; et un moteur d'inférence CNN de reconnaissance des panneaux de signalisation créé par Au-Zone Technologies. »

Étant donné que ADAS nécessite des capacités de détection d'objets et de classification visuelle gourmandes en calculs, ADASMark se concentre sur le pipeline d'imagerie. Il semble utiliser "des charges de travail du monde réel qui représentent des applications hautement parallèles, telles que l'assemblage de vues panoramiques, la détection de contours et la classification des panneaux de signalisation à réseau neuronal convolutif (CNN)", a expliqué EEMBC.