自動駕駛系統中的復雜計算依靠硬件算力還是計算效率？這是橫亙在許多創業公司面前的實際問題。依靠前者需要投入大量資金，依靠后者則離不開底層技術的鉆研和開發。

在2021年CES上，L4級自動駕駛解決方案提供商元戎啟行將在線上展示其針對L4級自動駕駛深度學習模型研發的推理引擎DeepRoute-Engine。該推理引擎實現了比開源深度學習框架平均高6倍的推理速度。大幅提升了自動駕駛的計算效率，令自動駕駛擺脫了對高算力計算平臺的依賴。

自動駕駛要做到像人類一樣感知周圍物體，需要通過深度學習來完成，即需要通過大規模的、復雜的深度學習網絡模型來對輸入的數據進行推理。在推理過程中，需要實時完成大量的計算。因此，自動駕駛企業對計算平臺的算力有著嚴格的要求。

這類計算平臺不僅成本高達數萬元，功耗也高達數百瓦。假設計算平臺的平均功率為500W，其24小時的耗電量約占一輛蓄電量為50kW·h的電動車的24%。

為了擺脫自動駕駛對這類計算平臺的依賴，降低自動駕駛的硬件成本，以及減少自動駕駛硬件耗能對汽車行駛里程的影響，元戎啟行選擇了另一種方式。通過自研的推理引擎——DeepRoute-Engine，讓L4級自動駕駛的感知模塊，可以運行在低成本、低功耗的計算平臺上。

根據元戎啟行與曹操出行合作的自動駕駛車型——幾何A的實車測試，元戎啟行的自動駕駛系統，每行駛100公里只消耗1度電。該耗電量還包括了車內負載2人，空調開啟，以及傳感器風阻對能量的耗費。

在自動駕駛系統中，感知模塊是其最核心、計算量最大的軟件模塊。想要提高感知模塊的運行效率，就需要針對感知算法的特點、計算需求，以及計算平臺的架構特點進行適配，從而驅動系統的高效運行。一個定制的推理引擎就相當于定制的驅動器，不僅能夠提高感知模塊運行效率，還能提高系統可擴展性，兼容更多計算平臺。

L4級自動駕駛感知算法所使用的深度學習框架非常復雜，需要實時進行大量復雜計算。目前市場上開源的推理引擎，大多無法處理復雜的L4級自動駕駛深度學習模型。而諸如Caffe、TensorFlow、PyTorch這類深度學習框架，尚未針對復雜的深度學習框架進行計算優化，因此，其計算效率也差強人意。元戎啟行的推理引擎通過智能的算子融合，將推理過程中可合并的運算進行合并，大幅提高計算效率。

DeepRoute-Engine還針對不同品牌的計算平臺設計了定制的內核程序，用以執行所需的大量并行計算。DeepRoute-Engine目前支持包括AMD、Nvidia、Intel等品牌的GPU，以及華為的車載計算平臺。

目前，市場上常見的用于自動駕駛的計算平臺有CPU、以及采用GPU、FPGA、ASIC等架構的AI芯片。由于自動駕駛系統需要處理激光雷達、相機等傳感器采集的海量數據，傳統的CPU算力越來越無法滿足使用要求，以GPU架構為主的AI芯片成為了實現自動駕駛必不可少的硬件。

而我國在GPU的生產上，與國際廠商還有一定的差距，元戎啟行所研發的推理引擎，適用于不同品牌的CPU、AI芯片，解決了自動駕駛被計算平臺“卡脖子”的問題。

元戎啟行副總裁劉念邱表示：“通過DeepRoute-Engine，元戎啟行已將復雜的深度學習模型運用在國內外主流的計算平臺上。我們希望能與各界廠商攜手，共同研發、推進更適合自動駕駛的低功耗、低成本計算平臺解決方案，促進自動駕駛車輛的前裝量產。”