智能内存编码如何为自动驾驶汽车节省能源？

智能编码在自动驾驶汽车中是如何工作的？

在自动驾驶汽车中，摄像头数据会在启动感知算法之前传输到内存。这个过程是必要的，但会消耗大量的能量--特别是当内存中存储的值为 1 的比特或连续的字节在数据总线上改变状态时。与其将所有数据视为同等重要，一种名为 MotiMem-Omega 的新方法引入了一种语义方法：并非所有内容对于车辆的安全和运行都同样重要。

该系统会分析图像并识别关键元素--例如行人、骑自行车者或另一辆车--然后为这些元素分配更高的精度。背景（例如天空或空白区域）则被赋予较低的质量值。这可以大大减少值为 1 的比特数量，而不会丢失感知所需的关键信息。

效率和保留率：MotiMem-Omega 在实践中能带来什么？

在 29 个检测器、12 个道路数据集以及五个分割模型上进行的研究表明，与原始方法相比，MotiMem-Omega 保持了大约 90% 的平均检测精度 (mAP)。此外，对于最容易受到影响的道路使用者--行人、骑自行车者和摩托车手--其检测效率甚至高达 91%。

重要的是，该方法不仅可以节省能源，而且比其他方法做得更好。与基本方法以及针对能耗进行调整的方法相比，MotiMem-Omega 在相同的比特密度或更低的比特密度下，可以提供更高的准确度保留率。

为什么图像编解码器不是解决方案？

虽然标准图像编解码器（例如 H.264、HEVC）在数据压缩方面是有效的，但它们并不能减少内存接口的能耗。这是因为它们的操作仅涉及数据的传输，而不涉及内存中的存储过程。因此，即使图像被压缩，将其传输到内存仍然会产生很高的能耗。

MotiMem-Omega 在内存接口层面工作--即能源消耗最多的地方。这一点至关重要：将位密度降低 1 会直接影响存储在内存中的数据所需的能量。

这项技术的意义和局限性

这种新方法对于自动驾驶汽车的发展可能具有重要意义，尤其是在车载能源有限的背景下。即使将内存接口的功耗降低 36%，也能让系统运行更长时间，而无需更大的电池或更高效的冷却系统。

然而，值得强调的是，结果是基于建模和模拟得出的。该方法尚未在实际车辆中实施或在实际条件下进行测试。限制还包括对车辆位置数据（ego pose）的依赖性，这些数据对于运行帧间运动补偿机制至关重要。

这项技术的意义和局限性

在自动驾驶系统日益增长的能源需求背景下，MotiMem-Omega 是朝着提高能源效率迈出的重要一步。通过将内存接口的功耗降低高达 36%，该技术可以延长感知系统的运行时间，而无需增加电池容量或引入更复杂的冷却解决方案。这对于电动汽车尤其重要，因为每一点能量都对续航里程和效率至关重要。

此外，该方法不仅能节省能源，而且还能在保持高质量的物体检测的同时进行--即使是在关键情况下，例如检测行人或骑自行车的人。因此，该系统可以应用于安全关键型应用中，而不会降低自主决策的可信度。然而，值得强调的是，目前所有结果均基于模拟和计算机建模，而不是基于实际道路条件下的测试。这意味着在环境条件发生变化时，理论与实践之间可能会出现差异，例如光照、雨或雾的变化，这些都会影响来自摄像头的数据质量以及运动补偿算法的有效性。另一个限制是需要访问车辆位置数据（ego pose），这是帧间运动补偿机制正常运行所必需的--缺少这些数据可能会显着降低