Benchmark helpt bij het sorteren van ADAS SoC-statistieken

Fabrikanten van autochips hebben het de hele tijd over system-on-chips die zijn ontworpen voor geavanceerde rijhulpsystemen.

Maar hoe kunnen wij, verslaggevers, analisten en vooral autofabrikanten, de ene ADAS SoC van de andere onderscheiden?

De waarheid is dat we het niet kunnen. De afwezigheid van wetenschappelijke tools en benchmarks laat weinig andere keuze dan de verkoper op zijn woord te geloven. Of we vertrouwen op onvolmaakte metingen als triljoen bewerkingen per seconde (TOPS) om Intel/Mobileye's EyeQ5 te vergelijken met Nvidia's Xavier, wat waarschijnlijk een zwerver is.

Ongeveer een maand geleden introduceerde EEMBC, een brancheconsortium dat benchmarks voor embedded hardware ontwikkelt, 'ADASMark', een benchmarksuite voor autonoom rijden, die nu beschikbaar is voor licentieverlening.

De nieuwe toolsuite is volgens EEMBC ontworpen om tier-ones en autofabrikanten te helpen bij het optimaliseren van hun gebruik van computerbronnen, variërend van CPU tot GPU en hardwareversnellers bij het ontwerpen van hun eigen ADAS-systemen.

Mike Demler, senior analist bij The Linley Group, verwelkomde ADASMark en merkte op:"Het is goed om te zien dat dit niet alleen een abstracte prestatiemaatstaf is, maar dat ze echte werklasten gebruikten." Demler zei dat de deelname van AU-Zone Technologies - een in Calgary gevestigd bedrijf voor technische ontwerpdiensten - en chipleveranciers zoals NXP Semiconductors en Texas Instruments de test van EEMBC zinvoller maakten dan bijvoorbeeld Baidu's generieke DeepBench.

Het draait allemaal om kaders
EE Times sprak met Peter Torelli, EEMBC-president en CTO, om te vragen naar de uitdagingen waarmee autofabrikanten worden geconfronteerd bij het ontwerpen van sterk geautomatiseerde voertuigen.

Het lijdt geen twijfel dat steeds meer embedded systemen in de auto-industrie meerdere cores gebruiken. Echter, zoals Torelli opmerkte, "zijn er nog steeds heel weinig frameworks die hun asymmetrische computerbronnen kunnen gebruiken." Hij voegde eraan toe:"Zonder een raamwerk zou elk exemplaar van de gecompileerde benchmark enorm variëren, afhankelijk van de hardware, en vergelijkingen tussen platforms extreem moeilijk maken. Frameworks vergemakkelijken de draagbaarheid met zeer weinig aanpassingen.”

Overweeg de ADASMark-pijplijn hieronder, zei hij.

Torelli zei:"De basisprestaties van dit systeem zouden kunnen zijn dat dezelfde CPU voor alle fasen in de pijplijn wordt gebruikt. Maar wat als een ontwikkelaar voor de laatste fase een aangepaste neurale-netchip wilde inruilen? Of misschien een speciale DSP gebruiken voor de conversie van de kleurruimte?”

Dit is waar een raamwerk van pas komt.

“Zonder een framework zou de ontwikkelaar code moeten invoegen om te communiceren tussen de benchmark en het rekenapparaat (NN, DSP of GPU). Dit is tijdrovend, ingewikkeld en foutgevoelig, en kan de bedoeling van de benchmark gemakkelijk verstoren (of de resultaten aantasten).”

Een framework maakt deze retargeting van computerapparaten veel gemakkelijker, legde Torelli uit.

EEMBC onderzocht aanvankelijk de opties die momenteel op de markt beschikbaar zijn. "AMP en OpenAMP proberen dit aan te pakken, maar het zijn specificaties voor symmetrische multicore en ze helpen ons hier niet echt", zegt Torelli. "We hebben ook naar OpenCV en OpenVX gekeken, maar de ondersteuning was slordig in het landschap van fabrikanten."

Zo kwam EEMBC tot de ontwikkeling van ADASMark op basis van een nieuw framework met een meer relevante werklast.

Focus op beeldpijplijn
De belangrijkste kenmerken van de ADASMark Benchmark Suite, volgens EEMBC, "bevatten een OpenCL 1.2 Embedded Profile API om consistentie tussen compute-implementaties te garanderen; applicatiestromen gecreëerd door een reeks microbenchmarks die de prestaties meten en rapporteren voor SoC's die computervisie, autonoom rijden en mobiele beeldverwerkingstaken verwerken; en een CNN-inferentie-engine voor het herkennen van verkeersborden, gemaakt door Au-Zone Technologies.”

Omdat ADAS rekenintensieve objectdetectie en visuele classificatiemogelijkheden vereist, ligt de focus van ADASMark op de imaging-pipeline. Het lijkt gebruik te maken van "real-world workloads die zeer parallelle toepassingen vertegenwoordigen, zoals surround view stitching, contourdetectie en convolutionele neurale-net (CNN) verkeersbordclassificatie", legt EEMBC uit.