Add Bookmark(s)


To:

Email


Bookmark(s) shared successfully!

Please provide at least one email address.

ネプコン ジャパン/オートモーティブ ワールドにおけるマイクロンの自動車技術

ディープラーニングが車載メモリ帯域を変化させる

ディープ・ニューラル・ネットワーク(DNN)に基づく人工知能が、視界・音声・ジェスチャー認識、センサーフュージョン、物体認識、ヒューマンマシンインターフェイス(HMI)、自動運転といった分野において自動車市場を変革させています。このようなシリコンデバイスにおける非常に複雑なDNNを支援するには、累計テラフロップス10秒以上の計算性能を優に超える量を必要とします。音声/ジェスチャー・ベースのHMIの場合、100ギガバイト/秒(GB/s)のメモリ帯域を優に必要とし、レベル4以上の自動運転の場合は、1テラバイト/秒(TB/s)以上のメモリ帯域を優に必要とする場合があります。

このレベルの計算性能では、処理パイプラインが失速しないようにするため、また、関連するシステムレベルの処理能力を維持するため、同等の低遅延・高帯域メモリを必要とします。OEM(自動車メーカー)やティア1(自動車メーカーに直接納入するメーカー)の企業は、DNNを導入するため、グラフィック処理ユニット(GPU)、フィールドプログラマブルゲートアレイ(FPGA)、多機能システムオンチップ(SOC)にますます頼っています。

自動運転の分野において、物体検知・分類におけるDNNの使用は、自動車の周辺環境認識、位置確認、走行軌道生成に利用されるセンサーデータフュージョンの精度を大幅に高めます。周辺環境認識では、センサーフュージョン、物体検知、分類、物体追跡に対処します。位置確認では、GPSデータと併せたランドマークの検知に依存するマップフュージョンを採用します。走行軌道生成では、x、y、zと時間という4次元での計算を行うための複雑な数値計算式のアルゴリズムが求められる自動車の軌道と行動を決定すると同時に、自由空間(事故の場合に、車両が逃げることのできる経路)を識別することも可能にします。走行軌道生成では、事故を回避するために取るべき行動を判断するため、環境がどのように変化する可能性があるかを予測することもできなければなりません。

DNNに対応するため、自動運転の分野では現在、それぞれにメリットとデメリットのある3種類のシステムレベルの構造が採用されています:

•分散型アーキテクチャ:センサー部分での分散処理。管理がしやすいものの、消費電力とサイズの制約がある。

•ハイブリッド構造:中央フュージョンECU処理へスマートセンサーを統合。管理がしやすく拡張性があるが、分散処理部分の能力に依存する。

•集中化構造:完全集中型計算処理。シンプルなセンサーで良く、最も低コストで最も高い中央計算パワーを必要とするが、反面消費電力が非常に高く、発熱も大きい。

各構造タイプについて、車載向けとしての使用に適格な、マイクロンの幅広いDRAM製品群では、メモリ帯域とコスト・出力のバランスが取れた最適なメモリソリューションが可能になります。マイクロンで最近導入された最新の車載用DRAM製品である車載用GDDR6は、GDDRメモリにおけるマイクロン社の長い歴史とリーダーシップを活かし、自動車市場に最も大容量のメモリ帯域をもたらしています。GDDR6は、自動車市場の人工知能とDNNについて、極限性能の新時代の到来を告げます。

詳細は今すぐ マイクロンの自動車ソリューションをご覧ください。