“先进驾驶员辅助系统（ADAS）最大的趋势是，从不断增加的离散传感器中，获取更高品质的传感器数据，从而增强系统功能。系统可以更好地理解环境，故而改善性能，更好地协助驾驶员进行操作。本质上来说，图行处理单元（GPU）因为其高度并行且以吞吐量为导向的特性，非常适合解决这一挑战。因此，目前领先的ADAS厂商开始利用嵌入式GPU，以使汽车的性能和功能实现跨越式提升。”
以GPU为核心的智能辅助驾驶芯片
人工智能的发展也带动了汽车智能化发展，过去的以CPU为核心的处理器越来越难以满足处理视频、图片等非结构化数据的需求，同时处理器也需要整合雷达、视频等多路数据，这些都对车载处理器的并行计算效率提出更高要求，而GPU同时处理大量简单计算任务的特性在自动驾驶领域取代CPU成为了主流方案。
GPU占据现阶段自动驾驶芯片主导地位，相比于消费电子产品的芯片，车载的智能驾驶芯片对性能和寿命要求都比较高，主要体现在以下几方面：
①耗电每瓦提供的性能；
②生态系统的构建，如用户群、易用性等；
③满足车规级寿命要求，至少1万小时稳定使用。
GPU是实现提升的刚需
在汽车的中央电子控制单元（ECU）中，您可以找到一个或多个大型硅器件，其中包含一个多核中央处理单元（CPU），一个图形处理单元（GPU），一个为传感器数据提供实时处理的内存子系统，以及一系列其他内核，如I／O、外设连接、专用视频和DSP。
GPU高度并行，以吞吐量为导向的特性使其非常适合ADAS应用，并可应对诸多挑战。它就像是一个“涡轮增压”的乘法累加引擎，而且是以神经网络类型算法为基础的。因此，毫无疑问，当今许多领先的ADAS供应商都开始利用GPU的能力和性能，来实现汽车所需要的功能和性能的提升。
GPU为ADAS提供计算
随着迈向完全自主驾驶（Level5），车内需要更多的驾驶辅助功能，包括紧急自动刹车、车道偏离警告、行人检测、驾驶员提醒、盲点检测、十字路口辅助等等。
先进的GPU是并行处理单元，可用于重复算法，如在ADAS的许多功能中使用的算法。GPU的并行性和乘法／累加结构是实现卷积神经网络（CNN）完美解决方案。
CNN算法已经存在了30多年了，直到最近它们才为服务器群处理提供保护。然而，随着SoC处理技术的进步、CNN算法效率的提高和GPU的进步，现在可以开始在网络边缘而不仅仅是在云端实现。
对于ADAS功能来说，任何需要某种程度的图像处理的功能，比如提取道路标志信息，都非常适合使用CNN来提高整体性能。与标准的高端CPU相比，嵌入式高端PowerVRGPU提供的性能高20倍，而功耗更低。
最终，CNN在硬件方面将会加速，因为它们的功能已经被很好地理解，甚至已经是标准化的。然而，在完全优化的解决方案出现之前，GPU计算可以支持新型神经网络和其他加速技术的原型化和部署。
未来GPU和ADAS的兼容关系
未来ADAS平台所需的性能水平迫使GPU日益增大，制造成本也会相应地增加。平台厂商将共同分担这个成本，且与配置在汽车中的其他系统共享GPU。但前提是，GPU支持硬件加速虚拟化。有了虚拟化，GPU才可以被多个操作环境共享，且这些环境不会意识到彼此的存在（因此能够互相影响）。
具有最佳的功耗效率和内存带宽PowerVRGPU微架构的设计，可以提供一个契合汽车技术需求平衡的GPU设计。其系统具有绝佳的性能，显示屏尺寸越来越大且分辨率越来越高，驾驶员和乘客可以有效地互动，这个设计本身便是非常符合下一代ADAS应用程序的发展趋势。
尤其是，当下一代ADAS和全自动驾驶汽车到来的时候，任何有助于GPU固有优势的事物，尤其是在图像分析或并行信号处理领域，都可以辅助汽车更好地感知周边环境，并在更复杂的环境中更有效地运行。
结尾
过去汽车电子芯片以与传感器一一对应的电子控制单元（ECU）为主，主要分布与发动机等核心部件上。随着汽车智能化的发展，汽车传感器越来越多，传统的分布式架构逐渐落后，由中心化架构DCU、MDC逐步替代。
随着人工智能发展，汽车智能化形成趋势，目前辅助驾驶功能渗透率越来越高，这些功能的实现需借助于摄像头、雷达等新增的传感器数据，其中视频（多帧图像）的处理需要大量并行计算，传统CPU算力不足，这方面性能强大的GPU替代了CPU．
无论是新动力系统，车载信息娱乐系统，还是自动驾驶汽车，汽车技术都在以前所未有的速度迅猛发展。新的颠覆性技术和行业参与者正在向传统的汽车概念发起挑战。明天的驾驶体验将与今天大不相同。
