恩智浦宣布推出用於安全汽車高效能運算的BlueBox 3.0開發平台
黎思慧 2021-02-01
恩智浦半導體(NXP Semiconductors N.V.；NASDAQ：NXPI)宣布推出BlueBox 3.0，其為恩智浦旗艦安全汽車高效能運算(Automotive High-Performance Compute；AHPC)開發平台的全新擴展版本。
BlueBox 3.0專為在晶片裝置就緒前，進行軟體應用開發和驗證而設計，提供靈活的方式以應對使用者定義汽車、安全等級2+(L2+)自動駕駛以及不斷發展的汽車架構，此必將推動互聯汽車的變革。透過整合集中式(centralized)運算模組、安全整合的高效能恩智浦處理器、擴展I/O連接以及奠基於Kalray MPPA處理器的PCIe卡擴展，以實現異構加速(heterogeneous acceleration)；BlueBox 3.0為設計人員提供能夠加快系統開發週期和上市速度的解決方案。
汽車製造商的重心已從全自動駕駛汽車的挑戰轉移至立即運用運算能力來打造差異化汽車。用戶定義(User-defined)車輛允許消費者為當前智慧互聯裝置增加全新功能。恩智浦BlueBox 3.0提供豐富開發基礎，幫助設計人員應對差異化、安全L2+自動駕駛量產以及相關的汽車網路架構。
恩智浦半導體汽車處理器業務eCockpit和ADAS全球產品行銷總監Arnaud Van Den Bossche表示：「在汽車架構朝向功能域架構(domain and zonal architectures)演進的過程中，透過用戶定義汽車來滿足更複雜的需求為重要的推動因素。域架構將為汽車高效能運算提供伺服器式(server-style)的方法。恩智浦BlueBox 3.0為這些全新汽車網路架構提供創新設計基礎，有助於加速實現部署。」
透過運用恩智浦16核Layerscape LX2160A處理器，BlueBox 3.0處理效能達到前一代BlueBox的兩倍。效能的提升搭配擴展的I/O介面，大幅增強全新汽車架構的智慧性和連線性。
此外，處理能力可用於雷達(Radar)、視覺和光達(LiDAR)處理，以實現高階感測器融合應用，及感知、決策預測和路徑規劃。Kalray Coolidge MPPA(Massively Parallel Processor Array；大規模平行處理器陣列)處理器，為人工智慧與機器學習加速提供擴展選項。
恩智浦的BlueBox 3.0平台整合恩智浦S32G處理器，可提供安全汽車網路、可靠的安全處理以及系統級ASIL D的一致性檢查。恩智浦運用其在安全領域中的長期經驗累積，率先提出安全汽車高效能運算計劃，旨在運用緊密合作夥伴生態系統的攜手努力，為系統設計人員提供支援。BlueBox為該計劃核心的中央處理和連接中心。
恩智浦和Kalray透過密切合作，推出整合Kalray MPPA處理器的BlueBox 3.0軟體發展環境(Software Development Environment；SDE)。本次合作提供通用的軟硬體平台，用於打造安全、可靠和具擴展性的AHPC解決方案。
除了Kalray，BlueBox 3.0還將獲得強大生態系統合作夥伴支援，能幫助工程師實現快速開發。恩智浦BlueBox 3.0的合作夥伴包含：dSPACE、Embotech、Edge Case Research(ECR)、eProsima、Green Hills Software(GHS)、Intempora、Micron Technology、MicroSys、Real-Time Innovations(RTI)和Teraki，共同幫助工程師加快產品上市。
開發人員可從BlueBox 3.0獲得的優勢：1.靈活且具擴展性的平台，幫助設計人員擴展其設計的效能和範圍。2.運用豐富的車載(onboard)I/O連接，設計人員能夠輕鬆添加或更改雷達、視覺和光達感測器功能。3.運用BlueBox 3.0 SDE提供的整合和支援，以及恩智浦eIQ Auto機器學習工具套件，在加速器方案上提高效能表現(例如Kalray Coolidge MPPA)。4.延續BlueBox 2.0順暢並一致的開發路徑，搭配具擴展性的處理能力和軟體相容性，使設計人員可為多種用戶定義應用和汽車創造系統設計，並不斷更新。
附圖：恩智浦宣布推出用於安全汽車高效能運算的BlueBox 3.0開發平台。
資料來源：https://www.digitimes.com.tw/iot/article.asp?cat=130&cat1=40&id=0000603199_AWC2NIMC8G1CBALD3A1G6
automotive lidar 在 Automotive Lidar Self-supervision by Occupancy estimation 的推薦與評價
This is the reference PyTorch implementation for training and testing self-supervision for automotive lidar point cloud using the method ... ... <看更多>