卓驭 AI Infra 校招 二面

---

Q: 自动驾驶行业的HPC需求有哪些？比如时延/吞吐/功耗如何权衡？

自动驾驶HPC系统面临的核心挑战：在严格功耗预算下，满足实时性和多传感器数据处理的双重需求。

核心需求详解：

1. 严格时延要求（安全关键）：

模块	端到端延迟要求	关键路径	后果
紧急制动感知	<50ms	Camera→Detection→Control	延迟=生死
常规感知	<100ms	Camera/LiDAR→3D检测→跟踪	影响规划质量
规划决策	<50ms	感知结果→路径规划→控制指令	影响行为合理性
定位	<20ms	IMU+GNSS+Vision融合	影响所有下游
地图构建	<500ms	LiDAR SLAM	可异步

时延预算分解（100ms总端到端）：

• 数据采集+传输：10-15ms（摄像头曝光+ISP+PCIe传输）
• 预处理：5-10ms（去畸变、BEV投影）
• 模型推理：40-60ms（检测/分割/预测）
• 后处理+规划：15-25ms（NMS、跟踪匹配、路径规划）

2. 吞吐量需求（多传感器并行）：

典型L4级自动驾驶传感器配置：

• 摄像头：6-12路，2MP-8MP，30fps → 总数据率~3-10GB/s（原始数据）
• LiDAR：1-3颗，10-20fps，每帧~150K点 → ~100MB/s
• Radar：5-6颗，20fps → ~10MB/s
• 总计算需求：200-1000 TOPS（INT8等效）

所有传感器需在一个帧周期（33ms@30fps）内完成处理，否则积压导致延迟。

3. 功耗约束（车载硬件限制）：

平台	算力	功耗	能效比	典型应用
NVIDIA Orin	275 TOPS	60W	4.6 TOPS/W	L2+/L4
NVIDIA Thor	2000 TOPS	120W	16.7 TOPS/W	L4/L5
Tesla FSD Chip	144 TOPS	72W	2.0 TOPS/W	L2+/L3
地平线J5	128 TOPS	30W	4.3 TOPS/W	L2/L3
Mobileye EyeQ6H	176 TOPS	22W	8.0 TOPS/W	L2/L3

车载计算域总功耗通常<200-400W（含散热冗余），单SOC需在30-120W内完成所有AI计算。相比之下，数据中心A100单卡功耗300W+。

权衡策略：

时延 vs 吞吐：

• 安全关键路径（紧急制动）：最低延迟优先，单帧独占计算资源，即使其他任务排队。
• 非安全路径（地图更新、场景理解）：允许2-3帧延迟，通过batch化提高吞吐。
• 实现：优先级调度器，高优任务可抢占低优任务的GPU/NPU资源。

精度 vs 功耗：

• 白天/高速场景：INT8推理足够，功耗最低。
• 夜晚/复杂场景：FP16推理保证检测精度（长尾case），功耗增加。
• 实现：DVFS（动态频率电压调节）+场景自适应精度切换。

冗余 vs 功耗：

• 安全需要计算冗余（如双通道感知比较一致性）。
• 但冗余意味着功耗和硬件成本翻倍。
• 折中：主路径+轻量级验证路径（如用小模型做cross-check）。

异构计算策略：

GPU/NPU (高算力): BEV感知模型推理、Transformer
DSP (低功耗):     预处理、图像增强、简单的CV操作
CPU (灵活):       规划算法、地图匹配、系统调度
专用加速器:       特定算子（如NMS、点云处理）

多个异构单元流水线协作，各自运行在最优频率，比单一高功耗GPU更节能。

与数据中心推理的核心差异：

维度	车载推理	数据中心推理
功耗	<200W（散热约束）	>1000W（液冷）
延迟	硬实时（miss=安全风险）	软实时（miss=体验下降）
可靠性	汽车级ASIL-D	服务器SLA
更新	OTA但保守	随时热更新
精度	INT8为主，关键用FP16	FP16/FP8为主
Batch	固定小batch(1-4)	动态大batch