Übersicht und Überblick über Code-Optimierung und die Anpassung von „ Hardware “ an heterogene Plattformen (CPU vs. GPU) für Echtzeit- und beschleunigte Simulationen zur Erreichung von Stufe 5 des autonomen Fahrens

„Die Komplexität und die Rechenanforderungen des autonomen Fahrens haben viele akademische Forscher:innen, Automobilhersteller und insbesondere Hersteller elektronischer Geräte dazu veranlasst, ihre jeweiligen Produkte weiterzuentwickeln, um den vielfältigen Herausforderungen selbstfahrender Fahrzeuge gerecht zu werden. Zu diesen Herausforderungen gehört das Fahren der Fahrzeuge über große Entfernungen: etwa zwölf Milliarden Meilen in einer simulierten Umgebung und rund hundert Millionen Meilen auf öffentlichen Straßen. Zu diesem Zweck greifen viele auf Parallelrechner auf homogenen und heterogenen Plattformen zurück. Ein gutes Beispiel für diese Plattformen sind moderne Hochleistungsrechner, die gleichzeitig die Fähigkeiten und Ressourcen von Rechen- und Grafikprozessoren nutzen. Diese Einheiten bilden heterogene Plattformen, die auf Hochleistungs- und Parallelberechnungen ausgelegt sind. Die größte Lücke solcher Frameworks ist die Daten

Übertragungslatenz zwischen dem Host und den zugehörigen Beschleunigern. Dies ist hauptsächlich auf den Prozess der Datenübertragung vom Arbeitsspeicher (RAM) des Hosts zum RAM eines angeschlossenen Geräts zurückzuführen. Der Datenübertragungsprozess durchläuft verschiedene Phasen, angefangen beim Abrufen von Daten aus dem „Pageable“- und „Pinned“-Speicher bis hin zur Übertragung an die Geräte, in der Regel über den PCIe-Bus (Peripheral Component Interconnect Express). Dieser Beitrag bietet einen allgemeinen Überblick über den Stand der Forschung und die verschiedenen Konzepte, die zur Reduzierung der Datenübertragungslatenz vorgeschlagen wurden. Er stellt einige neue Konzepte vor, mit denen sich die Haupteinschränkung heterogener Plattformen überwinden oder zumindest umgehen ließe. Daher werden im letzten Teil des Beitrags die Leistungsdaten verschiedener Datenübertragungsmethoden auf heterogenen Plattformen tabellarisch dargestellt. Die Experimente wurden auf dem NVIDIA Jetson TX2-Entwicklungsboard und auf einer NVS 510-GPU durchgeführt.“