首先，我们分别在CPU、GPU、DSP实现了卷积应用，这是在对象识别和目标跟踪任务中最常用、计算也最为密集的阶段。当在CPU上运行时，每次卷积大约需要8毫秒来完成，能耗为20MJ；在DSP上运行时，每次卷积需要5毫秒来完成，能耗为7.5MJ；在GPU运行时，每次卷积只需要2毫秒来完成，能耗也仅需4.5MJ。这表明，无论是性能和能耗表现，GPU是执行卷积任务最有效的计算单元。

　　接下来，我们实现了分别在CPU、GPU、DSP特征提取应用。特征提取为无人驾驶的定位产生特征点，这是定位阶段计算量最大的工作负载：在CPU上运行时，每个特征提取的任务大约需要20毫秒来完成，耗能50MJ；在GPU上运行时，每个特征提取的任务需要10毫秒来完成，耗能22.5 MJ；在DSP中运行时，每个特征提取的任务仅需要4毫秒，仅消耗6MJ。这些结果表明，从性能和能耗的角度出发，DSP是特征提取最有述分析，这是因为对GPU和DSP这类专注于并行的硬件而言，上述任务侧重于控制逻辑因为得不到高效执行。

　　移动处理器上的无人驾驶？

　　我们尝试了解无人驾驶系统在上述ARM移动SoC上的执行情况，并探索支持自动驾驶的最低硬件平台配置。图17显示了一个面向基于视觉的无人驾驶驾驶的移动SoC系统组成。在这个移动SoC实现中，我们利用DSP处理传感器数据，如特征提取和光流；我们使用GPU完成深度学习任务，如目标识别；采用两个CPU线程完成定位任务以实现车辆实时定位；我们使用一个CPU线程实现实时路径规划；使用另一个CPU线程进行避障操作。如果CPU尚未被全占有，多个CPU线程则可以在同一CPU核心上运行。

　　图17 无人驾驶的Mobile SOC设计

　　令人惊讶的是，实验数据证明，无人驾驶系统在ARM SOC上运行的性能并不差。定位流水线每秒可处理25帧图像，图像生成速度为每秒30帧图像，这说明产生的图像大部分可以得到及时处理，不会产生大规模的丢帧。深度学习流水线每秒能够执行2到3个目标识别任务。规划和控制流水线目标是在6MS内完成路径规划。当使用ARM移动端SOC进行无人驾驶时，我们能够以5英里/小时的速度行驶车辆，并且不损失任何定位信息；同时，整个SOC平均功耗为11W。移动SoC的硬件资源有限，能够支持有限范围内的无人驾驶系统确实是非常令人惊喜的发现。这说明如果增加更多的计算资源，硬件平台就能够处理更多的数据，并支持车辆以更快的速度行驶，最终满足产品级无人驾驶系统的需要。

　　控制平台

　　控制平台是无人车的核心部件，控制着车辆的各种控制系统，包括汽车防抱死制动系统（ABS）、汽车驱动防滑转系统（ASR）、汽车电子稳定程序（ESP）、电子感应制动控制系统（SBC）、电子制动力分配（EBD）、辅助制动系统（BAS）、安全气囊（SRS）和汽车雷达防碰撞系统、电控自动变速器（EAT）、无级变速器（CVT）、巡航控制系统（CCS）、电子控制悬架（ECS）、电控动力转向系统（EPS）等等。控制平台主要包括了电子控制单元ECU与通信总线两大部分：ECU主要实现控制算法，通信总线主要实现ECU以及机械部件间的通信功能。接下来我们详细介绍一下控制平台。

　　电子控制单元ECU

　　ECU（Electronic Control Unit）电子控制单元，俗称“车载电脑”。是汽车专用微机控制器，也叫汽车专用电脑。发动机工作时，ECU采集各传感器的信号，进行运算，并将运算的结果转变为控制信号，控制被控对象的工作。固有程序在发动机工作时，不断地与采集来的各传感器的信号进行比较和计算。把比较和计算的结果控制发动机的点火、怠速、废气再循环等多项参数的控制。它还有故障自诊断和保护功能。存储器也会不停地记录行驶中的数据，成为ECU的学习程序，为适应驾驶习惯提供最佳的控制状态，这叫自适应程序。在高级轿车上，有不止一只ECU，如防抱死制动系统、四轮驱动系统、电控自动变速器、主动悬架系统、安全气囊系统、多向可调电控座椅等都配置有各自的ECU。随着轿车电子化自动化的提高，ECU将会日益增多，线路会日益复杂。宝马、奔驰和奥迪三大车厂各系列高阶车款皆已包含超过一百个电子控制单元（ECU）。ECU的电压工作范围一般在6.5-16V（内部关键处有稳压装置）、工作电流在0.015-0.1A、工作温度在-40~80℃, 能承受1000Hz以下的振动，损坏率非常小。