近年來，車路協同在智慧高速等交通數字化領域進行了諸多探索和應用，同時車路協同也是補足單車智能邁向自動駕駛的重要產業鏈條，國家的“十四五”規劃中也強調了車路協同的重要意義。

為什么要發展車路協同？車路協同包含哪些核心組成部分？國產AI芯片如何助力車路協同突破落地瓶頸？

讓聰明的車，駛上智慧的路

為什么需要發展車路協同？車路協同是支撐交通強國目標達成的關鍵措施，2019年國務院發布的《交通強國綱要》，明確了從交通大國到交通強國的總體目標，目標是降低萬車死亡率，降低物流成本GDP占比，提升交通人口覆蓋率，構建先進的交通設施。各部委正從國家戰略層面推動車路協同產業發展。

什么是車路協同？總體來看是五個方面：智慧的路、實時的云、聰明的車、可靠的網、精確的圖。

智慧的路，通過全息感知，形成交通狀況的全面感知結果，通過可靠的網下發給聰明的車和實時的云，同時更新精準的地圖，提供車路協同的服務，為聰明的車提供了感知和決策支撐，實現了車路云網圖的聯合適配。

業界有幾個典型的應用場景，包括紅綠燈信息推送，行人、車輛防碰撞提醒，也包括了全天候出行，高速5G超視距透視、超視距事故、擁堵預警，特定試驗區道路無人駕駛。

車路協同的核心技術包括路側邊緣設備、多元算力接入、基礎感知任務、算法類型。

路側邊緣設備包括攝像頭、激光雷達、毫米波雷達、路側計算單元等。

多元算力接入需要更多的傳感器、更大數據的接入、更多的目標，典型的車路協同場景邊緣計算包括8個攝像頭、8個毫米波雷達、2個激光雷達等等。

基礎感知任務包括車輛及行人檢測和追蹤、場景的識別和分割，典型算法有CV類檢測、分類、跟蹤和點云處理，融合算法包括多傳感器融合。

車路協同邊緣計算挑戰：

高性能、低時延、精準

車路協同邊緣計算行業的挑戰，一是多元化算力性能要求高，3D點云數據處理性能開銷非常大；二是需要超低時延，業界內端到端時延要求小于100毫秒，因此需要邊緣計算芯片實時分析和管控；同時需要做非常精準的計算。

典型車路協同邊緣計算需要處理激光雷達點云數據，得益于瀚博SV100芯片優異的架構設計，點云數據處理性能是主流GPU的2倍，同時也需要處理CV類圖像，以CV類圖像處理為例，下圖左邊是英偉達主流云端70W推理GPU T4的延遲，差不多是5000幀、35毫秒。

GPU是不是可以做更低的延遲呢？它也可以，你可以看到左邊的圖，在1毫秒的時候差不多是2000幀，GPU有一個痛點是延遲往下降的時候，吞吐量也就大大往下降了，所以GPU本身并不是為超低延遲設計的。

瀚博半導體在去年推出了云端的芯片，今年在世界人工智能大會也推出了邊緣端的芯片SV100，瀚博基于SV100推出了邊緣板卡VE1，VE1對比英偉達主流邊緣GPU的性能，在兩個車路協同網絡，ResNet50和YoloV3，各自對英偉達主流最新的邊緣GPU有2.3倍和2.6倍的性能優勢，同時延遲也低了很多。

為邊緣而生的AI推理加速卡

車路協同點云的計算非常耗時，以處理點云數據為例，業界點云數據處理占整個處理時長的40%左右，提高點云處理性能是車路系統降低時延關鍵點，瀚博SV100芯片處理點云數據性能是業界主流GPU的2倍以上。

瀚博為車路協同打造的邊緣AI推理加速卡，有超大的算力和超低的延遲，100TOPS INT8峰值算力，為邊緣推理提供強大支持；同時有超強解碼能力，60路以上的1080P高清解碼；還有超低功耗，40到60W；為邊緣而生，主動散熱和被動散熱的設計，可以勝任邊緣計算復雜場景；支持INT8、FP16、BF16等精度，優化支持CNN、RNN/LSTM、Transformer和MLP等多種神經網絡；支持100多種算子；瀚博平臺廣泛支持主流圖像、激光雷達的檢測、跟蹤、分割、分類等算法和算子。

瀚博為車路協同打造了邊緣計算MEC，這個MEC性能非常強悍，有多元化算力支持，像激光雷達、毫米波雷達、圖像攝像頭輸入，有靈活部署，100TOPS，可以用在中心-區域-路側等多級網絡。

瀚博一直致力于車路協同場景，這是廣州三元里落地的項目，我們正在和客戶一起用MEC做態勢全息感知、視頻立體監控、車輛高效導流、車輛自動檢測和跟蹤。廣州國際生物島智能網聯基地項目，也是用瀚博MEC做到了紅綠燈信號下發、道路施工預警、弱勢行人保護、鬼探頭、盲區顯示、擁堵預警等等。

瀚博云端芯片SV102和邊緣端芯片SV100已經量產，為云邊AI推理和計算提供超高性能和超低延遲的算力。

編輯：黃飛

?