[自动驾驶 SoC]-4 特斯拉FSD

FSD, 参考资料来源FSD Chip - Tesla - WikiChip

另外可参考笔者之前分享文章:[自动驾驶技术]-6 Tesla自动驾驶方案之硬件(AI Day 2021),​​​​​​​[自动驾驶技术]-8 Tesla自动驾驶方案之硬件(AI Day 2022)

1 整体介绍

特斯拉FSD计算机架构:

  • 双冗余SoC,冗余电源:每个SoC拥有独立的电源和操作系统,确保高可靠性。

  • 传感器输入:包括IMU、雷达、GPS、超声波传感器、轮速计、转向角和地图数据。

  • 8个外部摄像头和12个超声波传感器:同时将数据输入两个FSD芯片。

  • 独立处理:两个芯片独立生成车辆未来行动计划,并交由安全系统进行比较和验证。

2 FSD芯片规格

特斯拉D1芯片由1个GPU,2个NPU,3簇12个ARM Cortex-A72 CPU核,安全核,视频编码器等模块组成。

  • 制程工艺:14nm FinFET CMOS,12层金属

  • 面积:260 mm²

  • 晶体管数量:60亿

  • 包装:37.5 x 37.5 mm FCBGA

  • 处理器:12个Cortex-A72核心,2.2GHz

  • 神经网络性能:36.86*2 TOPS

  • 功耗:每芯片低于40W

3 芯片核心组件

  • GPU:用于图像处理

  • CPU:12核ARM Cortex-A72

  • ISP(图像信号处理器)

  • H.265视频编码器

  • 内存控制器、PHYs、片上互连和外围设备

3.1) 神经网络加速器(NNA)

  • 两个独立实例双神经处理单元(NPU):每个NPU拥有32MB的SRAM,用于存储临时网络结果,减少数据移动。

  • 设计频率:使用8位乘法和32位加法,2GHz+。

  • 多路累加器阵列:每个NPU有96x96的乘加阵列,总共9,216个MACs和18,432个操作。

  • 硬件SIMD、ReLU和Pooling单元(参见3.2和3.3)。

  • 每个实例32MB SRAM,优化带宽;操作流程在每个周期中,数据从SRAM读入MAC阵列进行计算,结果数据写回SRAM。

  • 激活函数支持包括ReLU、Sigmoid Linear Unit (SiLU)、TanH。

3.2) SIMD数据路径

  • 可编程SIMD单元,支持丰富的指令集

  • 浮点与整数运算

  • 支持所有指令的谓词化

  • 量化硬件的流水线实现,融合ReLu、缩放和归一化层

3.3) 池化硬件

  • 支持平均和最大池化

  • 为最常见的小池化尺寸优化

  • 重新排列输出像素以实现更快的池化

3.4)指令集和微架构:

  • 简化硬件设计:一些硬件被简化,增加了软件复杂性,但降低了硅片成本。

  • 软件优化:特斯拉的神经网络编译器负责层融合、内存访问平滑、通道填充和DMA操作。

  • 运行模式:神经网络程序在芯片启动时加载并驻留内存,NPU在异步运行整个神经网络模型后中断CPU进行后处理。

4 特斯拉自研优势

  • 优化性能:通过自研SoC,特斯拉可以针对特定的自动驾驶任务进行深度优化,提高处理效率和系统响应速度。
  • 降低成本:自研芯片可以减少对第三方供应商的依赖,从而降低长远的成本。
  • 增强控制:特斯拉可以完全掌控芯片的设计和生产过程,确保产品的质量和安全性,同时能够快速进行更新和改进。
  • 知识产权:自研芯片可以保护特斯拉的技术和算法不被竞争对手轻易复制。

5 特斯拉NNA设计哲学

专注加速MAC操作:由于99.7%的操作是乘加(MAC),加速MAC能显著提升性能。

硬件专用量化和池化单元:提高整体速度和效率。

灵活的SIMD单元:支持丰富的指令集,包括整数和浮点运算。

灵活的状态机控制逻辑:减少控制功耗,支持复杂操作。

数据共享和最小化数据移动:减少SRAM和DRAM活动,进一步降低功耗。

单时钟域设计:支持DVFS(动态电压频率调整)以优化功耗和时钟分布。

相关推荐
强哥之神1 小时前
英伟达发布 Llama Nemotron Nano 4B:专为边缘 AI 和科研任务优化的高效开源推理模型
人工智能·深度学习·语言模型·架构·llm·transformer·边缘计算
Green1Leaves1 小时前
pytorch学习-9.多分类问题
人工智能·pytorch·学习
kyle~1 小时前
计算机视觉---RealSense深度相机技术
人工智能·数码相机·计算机视觉·机器人·嵌入式·ros·传感器
碣石潇湘无限路2 小时前
【AI篇】当Transformer模型开始学习《孙子兵法》
人工智能·学习
看到我,请让我去学习2 小时前
OpenCV开发-初始概念
人工智能·opencv·计算机视觉
汀沿河2 小时前
8.1 prefix Tunning与Prompt Tunning模型微调方法
linux·运维·服务器·人工智能
陈敬雷-充电了么-CEO兼CTO2 小时前
大模型技术原理 - 基于Transformer的预训练语言模型
人工智能·深度学习·语言模型·自然语言处理·chatgpt·aigc·transformer
学术 学术 Fun2 小时前
✨ OpenAudio S1:影视级文本转语音与语音克隆Mac整合包
人工智能·语音识别
风铃喵游3 小时前
让大模型调用MCP服务变得超级简单
前端·人工智能
booooooty3 小时前
基于Spring AI Alibaba的多智能体RAG应用
java·人工智能·spring·多智能体·rag·spring ai·ai alibaba