Waarom digitale signaalprocessoren nu overal in moderne apparaten zitten

Toen ARM CPU's aan tractie wonnen – dankzij vroege adopters als Apple – steeg mobiel gebruik steil. Het voordeel was duidelijk: een embedded-processor kon elk apparaat omtoveren in een veelzijdig, feature-rijk platform. Bovendien konden software-updates de levensduur van de hardware verlengen, zodat een enkele chip meerdere productgeneraties kon aandrijven.

(Bron: CEVA)

Hoewel general-purpose CPU's uitblinken in een breed scala taken, worstelen ze met operaties die real-time, low-power-verwerking vereisen – zoals de modem van een smartphone. De modem moet continue analoge radiosignalen die gedigitaliseerd zijn aan, wat snelle, efficiënte berekening vereist die een typische CPU niet kan leveren zonder excessieve stroomverbruik.

DSP's zijn ontworpen voor dergelijke taken. Uitgerust met native floating-point-ondersteuning en geoptimaliseerde rekenunits – met name multiply-accumulate (MAC)-operaties – verwerken ze streamingdata efficiënt, in tegenstelling tot de batch-georiënteerde workloads typisch voor CPU's.

Audioverwerking deelt dezelfde eisen. DSP's aandrijven high-end audio-functies – van equalisatie en Dolby-compressie tot geavanceerde noise-cancelling-koptelefoons die je ongesteld laten slapen op vluchten.

AI heeft zich uitgebreid van datacenters naar mobiele en edge-apparaten. Vandaag detecteren voertuigen voetgangers, botsingen en rijstrookmarkeringen voor basale autonomerijden. Stem-gecontroleerde TV's, slimme speakers en zelfs helm-gemonteerde GoPro's laten gebruikers hands-free acties uitvoeren.

Deze functies vertrouwen op real-time-verwerking van streamingdata – of het nu stem, stilstaande beelden of video is. Audioverwerking vereist bijvoorbeeld high-quality-opname via multi-mic beamforming, echo-cancelling en noise-suppression – gebieden waar DSP's decennialang bewezen expertise hebben.

Commando-herkenning gebruikt getrainde neurale netwerken – algoritmen die merkbaar afwijken van CPU-centrische code. Hoewel CPU's ze kunnen draaien, zorgt de resulterende traagheid voor batterijuitputting. Het draaien van het netwerk op een hoog-parallelle architectuur, zoals een DSP, stelt gelijktijdige operaties in staat en spaart energie.

Sommigen kunnen vermoeden dat DSP's te gespecialiseerd zijn voor algemene ontwikkelaars. In werkelijkheid blijft programmeren vergelijkbaar met CPU's: je schrijft C-code voor beide. De sleutel is code schrijven die de sterktes van de DSP benut voor maximale prestaties.

(Bron: CEVA)

DSP's zijn alomtegenwoordig: elke telefoonradio – Bluetooth, Wi‑Fi en cellulair – vertrouwt op één of meer DSP's. Bluetooth-oortjes, slimme speakers, stem-gecontroleerde afstandsbedieningen, beveiligingscamera's en automotivesensoren gebruiken allemaal DSP's om audio te verwerken, beweging te detecteren en geluid te analyseren voor real-time-beslissingen.

GPU's, hoewel krachtig voor AI-training in datacenters, zijn ongeschikt voor edge-gebruik vanwege grootte, stroomverbruik en kosten. Naarmate privacy- en beveiligingseisen groeien, moet AI verschuiven naar low-cost, low-power-hardware – wat DSP's de praktische keuze maakt voor embedded-apparaten.

Gevolg: embedded DSP's prolifereren. Ze maken low-cost, low-power stemcontrole, objectdetectie, audioverbetering en meer mogelijk – allemaal volledig programmeerbaar. Terwijl CPU's nog steeds algemeen beheer afhandelen, domineren DSP's steeds meer slimme audio- en visuele verwerking.

Dit artikel opent een reeks die DSP's vergelijkt met hardware-accelerators. Opvolgende posts zijn 'When a DSP Beats a Hardware Accelerator' en 'Decisions, Decisions: Hardware Accelerator or DSP?'.