Tegra Parker流处理器性能如何？

“Parker 流处理器”并不是一个独立的、与 CUDA 核心或 Tensor 核心并列的硬件单元。

它实际上指的是 Parker SoC 中集成的一个特殊的、可编程的处理器集群，其核心是 NVIDIA 的第二代 Maxwell 架构 GPU，之所以被称为“流处理器”，是因为这个 GPU 的设计理念和工作方式就是基于“流处理器”（Streaming Processor）模型，非常适合处理高度并行化的数据流。

我们可以从以下几个层面来理解它：

它是什么？—— Parker SoC 的核心组件

NVIDIA Tegra Parker 是一款面向汽车和嵌入式市场的片上系统，主要用于高级驾驶辅助系统和自动驾驶计算平台，它由以下几个关键部分组成：

• CPU 部分: 采用 Denver 2 自研核心与 ARM Cortex-A57 核心组成的“大小核”（Big.LITTLE）异构架构。
• GPU 部分: 这就是我们所说的“Parker 流处理器”，它基于 Maxwell 架构。
• DLA (Deep Learning Accelerator): 深度学习加速器，这是 Parker 的一大亮点，专门用于高效运行深度神经网络，减轻 GPU 的负担。
• PVA (Programmable Vision Accelerator): 可编程视觉加速器，用于处理传统的计算机视觉任务，如光流、特征点检测等。

当人们谈论“Parker 流处理器”时，他们指的就是 Parker SoC 中的 Maxwell GPU，它在整个系统中主要负责图形渲染、并行计算和视觉感知任务中未被 DLA/PVA 处理的部分。

技术架构与特性 —— Maxwell 架构的精髓

Parker 的 GPU 是 NVIDIA 在移动和嵌入式领域的第二代 Maxwell 架构（与 Tegra X1 的第一代 Maxwell 相比），它在性能和能效上都有显著提升。

a. 核心特性

• CUDA 核心流处理器：

  • 这是 GPU 的基本计算单元，Maxwell 架构的 CUDA 核心在能效比上进行了优化，每个核心可以处理更多的浮点运算。
  • 它们被组织成多个 流式多处理器，每个 SM 都包含了多个 CUDA 核心、调度单元、缓存和纹理单元，能够高效地调度和执行成百上千个线程。

• L1/L2 缓存：

  • 每个 SM 都有自己的 L1 缓存和共享内存，用于加速数据在核心间的共享。
  • 整个 GPU 拥有更大的 L2 缓存，作为不同 SM 之间以及与 CPU 之间的数据桥梁，减少了对慢速主内存的访问。

• 纹理单元：

  
  （图片来源网络，侵删）

  专门用于从纹理内存中高效获取数据,这对图形渲染和某些图像处理算法至关重要。

• 硬件调度器：

  Maxwell 架构引入了更智能的硬件调度器，能够更高效地管理线程的启动和执行，减少了 CPU 的干预开销，提升了并行计算效率。

b. 性能与能效优化

• 统一内存架构：

  CPU 和 GPU 共享同一个物理内存空间，这简化了编程模型，数据无需在 CPU 和 GPU 之间进行昂贵的拷贝，可以直接访问，非常适合处理像摄像头视频流这样的大数据。

• 先进的功耗管理：

  Parker 针对汽车应用场景进行了深度优化，支持精细的功耗控制，GPU 可以根据负载动态调整频率和电压，在提供澎湃性能的同时，最大限度地降低功耗和发热，这对于车载计算平台至关重要。

在自动驾驶系统中的关键作用

在基于 Tegra Parker 的自动驾驶平台（如 NVIDIA DRIVE PX 系列）中，“流处理器”（即 Maxwell GPU）扮演着核心角色，与 DLA 和 PVA 协同工作。

1. 传感器数据融合与预处理：

   • 接收来自多个摄像头、雷达、激光雷达的原始数据流。
   • GPU 可以高效地执行图像去畸变、色彩空间转换、金字塔生成等预处理任务，为后续的感知算法“清洗”和“准备”数据。

2. 计算机视觉算法：

   • 执行传统的、非深度学习的视觉算法，光流计算（用于运动估计）、特征点提取与匹配（如 SURF, ORB）、立体视觉测距 等，这些算法天然适合在 GPU 上进行并行化处理。

3. 图形渲染与仿真：

   • 可视化：实时渲染 3D 环境模型，用于驾驶员监控或系统状态的可视化展示。
   • 仿真：在开发自动驾驶算法时，GPU 可以用来渲染高保真的虚拟场景，用于大规模的路测和算法验证，极大地降低了实车测试的成本和风险。

4. 通用并行计算：

   作为 CUDA 平台，它可以运行各种自定义的并行计算程序，例如路径规划、决策逻辑中需要大量计算的部分，或者运行一些不适合 DLA 硬件加速的特定神经网络。

“流处理器”与其他加速器的协同

理解 Parker 的关键在于其 异构计算 架思想：

• GPU (流处理器)：擅长处理不规则、数据密集型的并行任务，如图形渲染、通用并行计算、传统视觉算法，它非常灵活，可以通过软件编程来适应各种算法。
• DLA (深度学习加速器)：擅长处理规则、计算密集型的深度神经网络推理任务（如 CNN），它的硬件是为特定计算模式（如卷积、池化）量身定制的，因此在能效比上远超 GPU。
• PVA (可编程视觉加速器)：擅长处理传统的、固定的计算机视觉算法，如光流、特征点，它介于 GPU 和 DLA 之间，为特定视觉任务提供了高效的硬件加速能力。

工作流程示例： 一辆汽车的前视摄像头捕获视频流。

1. PVA 可能首先处理部分数据，提取初步的特征。
2. 视频帧被送到 GPU，进行畸变校正和缩放。
3. 校正后的图像帧被同时送到 DLA 和 GPU。
   • DLA 运行一个高效的 CNN（如 YOLO）来检测行人、车辆。
   • GPU 运行一个更灵活但能效稍低的自定义算法，或者进行光流计算来分析物体运动。
4. GPU 最后将所有感知结果（来自 DLA、PVA 和自身计算）进行融合，并渲染出最终的 3D 可视化场景。

Tegra Parker 流处理器 本质上是 Parker SoC 中基于 NVIDIA Maxwell 架构的 GPU，它不是一个孤立的单元，而是整个异构计算系统的核心成员之一。

• 身份：它是一个高度并行、可编程的处理器，专为处理数据流而生。
• 技术：基于 Maxwell 架构，拥有优化的 CUDA 核心、缓存和调度器，具备出色的能效比。
• 角色：在自动驾驶系统中，它负责图形渲染、通用并行计算、传统计算机视觉算法，并与 DLA、PVA 协同工作，构成一个强大而高效的感知计算平台。

可以说,正是以 Parker 流处理器为代表的这种异构计算架构，奠定了 NVIDIA 在自动驾驶计算领域的领先地位。