Waymo披露了其自动驾驶系统的车载计算架构，其中专用5纳米ASIC可提供超过1000 TOPS的机器学习算力。该架构面向毫秒级响应，并可承受Robotaxi运行中的振动、极端温度等严苛条件。
该公司表示，其最新的计算架构旨在提供毫秒级的响应时间，同时在振动、极端温度和自动驾驶汽车遇到的其他苛刻条件下运行。
NVIDIA 加速计算以及来自 AMD、Micron、三星、Sandisk、Socionext 和 TSMC 的技术为系统提供了部分基础。
随着 Waymo Driver 扩大其商业机器人出租车业务，该披露让人们更仔细地了解支撑 Waymo Driver 的计算基础设施。
Waymo 工程副总裁 Satish Jeyachandran 和计算负责人 Daniel Rosenband 在 Waymo 网站上发表的联合署名文章中表示：“计算是 Waymo Driver 的大脑，将原始传感器数据转换为实时驾驶命令。”
与最终依赖人类驾驶员作为后备的驾驶员辅助系统不同，Waymo Driver 负责完整的驾驶任务。这对其机载计算架构提出了更高的要求，特别是在延迟、可靠性和冗余方面。
Waymo 表示，该系统是根据超过 2 亿英里的全自动驾驶积累的经验设计的。
Waymo 将计算能力扩展了 20 倍
核心要求之一是响应能力。所有驾驶决策均在车辆上处理，机器学习模型不断解释传感器信息并确定车辆应如何响应。
Waymo 表示，在过去 8 年里，它已将 Waymo Driver 可用的原始计算能力扩展了 20 倍。
该公司表示：“我们设计的堆栈具有超低延迟，最大限度地减少了从第一个像素到动作的延迟。”
在此处理窗口内，机器学习模型构建车辆周围环境的详细表示，并在发出驾驶命令之前评估潜在路径。
Waymo 将这种测量描述为“像素到驱动”延迟，并表示减少延迟可以使自动驾驶系统获得复杂、高密度环境所需的快速响应。
定制 5 nm ASIC 提供超过 1,000 TOPS
Waymo 还披露了专用 5 nm ASIC 的详细信息，该 ASIC 旨在处理车辆激光雷达、雷达和摄像头系统生成的大量原始信息。
在信息到达系统的主要机器学习处理架构之前，定制芯片会实时处理、组合并运行传感器数据上的神经网络。
Waymo 表示：“ASIC 的专用加速器可立即从原始激光雷达、雷达和摄像头流中提取关键信息，包括实现卓越的低光感知的时间去噪。”
ASIC 提供超过 1,000 TOPS 的机器学习性能，专用于前端处理和机器学习模型。
Waymo 表示，将其芯片与传感器和算法共同设计，使其能够优化传感器保真度、带宽效率和量化，同时支持从稀疏卷积到密集变压器的模型。
其最新系统可以同时实时处理来自 13 个高分辨率摄像头的HiPHI真信息，包括用于改善弱光环境下感知的数据。
NVIDIA提供加速计算基础
除了定制芯片之外，Waymo 还使用外部技术供应商的处理器和加速器来创建其所描述的“平衡的异构系统”。
该架构将 Waymo 的机器学习技术与 CPU、GPU 和其他加速器相结合。这些组件处理机器学习工作负载和任务，例如编排、数据移动和日志记录。
Waymo 表示：“我们很自豪能够与 AMD、美光、NVIDIA、三星、Sandisk、Socionext 和台积电等众多合作伙伴合作，提供最强大的自主计算系统。”
NVIDIA 加速计算为该架构提供了关键基础，提供了在现实条件下处理要求严格的自动驾驶工作负载所需的性能和效率。
冗余计算消除了对人工后备的依赖
可靠性尤为重要，因为如果主计算系统遇到问题，Waymo 的全自动驾驶汽车不能依靠人类驾驶员来进行控制。
因此，Waymo 围绕两个独立的处理系统设计了其计算架构。
该公司表示：“我们的计算被设计成两个独立的引擎。虽然它们通常作为一个单元运行，运行完全并行的工作负载，但如果一个遇到故障，另一个会无缝接管。”
该硬件还经过加固，可在振动、冲击和极端温度下连续运行。
Waymo 将计算硬件直接与车辆的液体冷却系统集成，使其能够在从中西部寒冷的冬季到凤凰城的极端炎热环境中保持性能。
尽管有处理要求，Waymo 表示，它一直在努力最大限度地减少系统的物理和能源足迹。集成架构旨在保留行李箱空间、安静运行并减少对车辆电池的需求。
随着 Waymo 扩大其机器人出租车服务的商业部署，车载计算日益成为大规模运营自动驾驶交通所需的基础设施的一部分。
该公司表示，随着 AI 模型的发展以及 Waymo Driver 进入更多应用程序，计算要求也可能会继续增加。
Waymo 表示：“随着我们探索 Waymo Driver 的新用例以及我们的 AI 堆栈不断发展，对高效、高性能计算的需求只会增长。”