EEMBC Lanceert ADASMark: Real-World Benchmark voor Geavanceerde Driver Assistance SoCs

Automotive chipmakers roemen regelmatig hun system-on-chips (SoCs) gebouwd voor Advanced Driver Assistance Systems (ADAS). Toch, zonder objectieve metrics, vinden stakeholders – reporters, analisten, en het meest kritisch, automakers – het bijna onmogelijk om de ene ADAS SoC van de andere te onderscheiden.

In de praktijk vertrouwt de markt op vendor-claims of ruwe metrics zoals trillion operations per second (TOPS). Het vergelijken van Intel/Mobileye's EyeQ5 met Nvidia's Xavier met alleen TOPS is misleidend en biedt weinig actionable inzicht.

Om deze kloof te overbruggen, lanceerde de embedded-hardware consortium EEMBC onlangs ADASMark, een suite van autonomous-driving benchmarks nu beschikbaar voor licensing. De toolset is geëngineerd om tier-one leveranciers en automakers te helpen compute-resources te optimaliseren – van CPUs tot GPUs en dedicated accelerators – bij het ontwerpen van hun ADAS-stacks.

Mike Demler, senior analyst bij The Linley Group, loofde ADASMark: "Het is verfrissend dat deze benchmark gegrondvest is in real workloads, niet alleen abstracte nummers." Hij benadrukte participatie van AU-Zone Technologies, NXP Semiconductors en Texas Instruments, wat de suite een praktische rand geeft over generieke tests zoals Baidu's DeepBench.

Framework-Centrisch Ontwerp

EE Times interviewde Peter Torelli, EEMBC's president en CTO, over de uitdagingen die automakers tegenkomen naarmate voertuigen steeds geautomatiseerder worden. Hij merkte op dat hoewel veel embedded systemen nu meerdere cores deployen, "er nog steeds erg weinig frameworks zijn die asymmetric compute resources volledig kunnen benutten." Zonder een robuust framework zou elke benchmark-instantie dramatisch variëren over hardware, wat cross-platform vergelijkingen compliceert.

Geïllustreerd door het ADASMark pipeline-diagram hieronder, gebruikt de baseline-prestatie een enkele CPU voor alle fasen. Een developer zou echter een custom neural-net chip willen pluggen voor de finale inference-fase of een dedicated DSP voor color-space conversie.

In dergelijke scenario's vereenvoudigt een framework het retargeten van compute-devices, wat de noodzaak elimineert voor developers om bespoke interface-code te schrijven – een proces dat tijdrovend, foutgevoelig is en benchmark-resultaten kan vervormen.

"AMP en OpenAMP zijn ontworpen voor symmetrische multicore-systemen en adresseren onze behoeften niet," legde Torelli uit. "OpenCV en OpenVX bieden gedeeltelijke ondersteuning, maar manufacturer-adoptie is inconsistent." Deze analyse leidde EEMBC tot het creëren van ADASMark rond een custom framework afgestemd op real-world workloads.

Imaging-Pipeline Focus

Belangrijkste kenmerken van ADASMark omvatten een OpenCL 1.2 Embedded Profile API om consistentie over implementaties te waarborgen; een reeks micro-benchmarks die prestaties kwantificeren voor SoCs die computer-vision, autonomous-driving en mobile-imaging taken afhandelen; en een traffic-sign-recognition CNN inference-engine ontwikkeld door AU-Zone Technologies.

Omdat ADAS intensieve object-detectie en visuele-classificatie capaciteiten vereist, focust ADASMark op de imaging-pipeline. Het modelleert hoog-parallele workloads zoals surround-view stitching, contour-detectie en CNN-gebaseerde verkeersbord-classificatie – precies de taken die moderne ADAS-functionaliteit onderbouwen.