La strada verso i veicoli completamente autonomi è, necessariamente, lunga e tortuosa; i sistemi che implementano nuove tecnologie che aumentano il livello di guida dei veicoli devono essere rigorosamente testati per la sicurezza e la longevità prima che possano arrivare alle strade pubbliche. La rete di alimentatori, sensori ed elettronica utilizzata per i sistemi avanzati di assistenza alla guida (ADAS) – le cui caratteristiche includono frenata di emergenza, controllo della velocità adattivo e sistemi di parcheggio autonomo – è ampia e l’efficacia degli ADAS è determinata dall’accuratezza delle apparecchiature di rilevamento unita all’accuratezza e alla velocità di analisi del controller autonomo di bordo.
L’analisi di bordo è dove entra in gioco l’intelligenza artificiale ed è un elemento cruciale per il corretto funzionamento dei veicoli autonomi. Nel recente rapporto della società di ricerche di mercato IDTechEx sull’hardware AI, “AI Chips for Edge Applications 2024 – 2034: Artificial Intelligence at the Edge“, i chip AI (quei pezzi di circuiti semiconduttori che sono in grado di gestire in modo efficiente carichi di lavoro di machine learning) si prevede genereranno ricavi per oltre 22 miliardi di dollari entro il 2034, e il settore verticale che vedrà il più alto livello di crescita nel prossimo periodo di 10 anni è l’industria automobilistica, con un tasso di crescita annuale composto (CAGR) di 13%.
Veicolo autonomi, il ruolo dell’intelligenza artificiale
I chip AI utilizzati dai veicoli automobilistici si trovano in microcontrollori (MCU) posizionati centralmente, che sono, a loro volta, collegati a periferiche come sensori e antenne per formare un ADAS funzionante. Il calcolo dell’intelligenza artificiale di bordo può essere utilizzato per diversi scopi, come il monitoraggio del conducente (dove i controlli sono adattati per conducenti specifici, le posizioni della testa e del corpo vengono monitorate nel tentativo di rilevare sonnolenza e la posizione di seduta viene modificata in caso di incidente), assistenza alla guida (dove l’intelligenza artificiale è responsabile del rilevamento degli oggetti e delle opportune correzioni allo sterzo e alla frenata) e intrattenimento a bordo (dove gli assistenti virtuali di bordo agiscono più o meno allo stesso modo degli smartphone o degli elettrodomestici intelligenti). La più importante delle strade sopra elencate è l’assistenza alla guida, in quanto la robustezza e l’efficacia del sistema AI determina il livello di guida autonoma del veicolo.
Dal loro lancio nel 2014, i Livelli SAE di automazione della guida (mostrati di seguito) sono stati la fonte più citata per l’automazione della guida nel settore automobilistico, che definisce i 6 livelli di automazione della guida. Questi vanno dal livello 0 (nessuna guida automatizzata) al livello 5 (guida completamente automatizzata). L’attuale livello di autonomia più elevato nel settore automobilistico privato (che comprende veicoli per uso privato, come le autovetture) è il livello SAE 2, con il salto significativo tra il livello 2 e il livello 3, dato il relativo progresso della tecnologia richiesta per raggiungere risultati automazione situazionale.
Una serie di sensori installati nell’auto – che si basano su LiDAR (Light Detection and Ranging) e sensori di visione, tra gli altri – trasmettono informazioni importanti all’unità di elaborazione principale del veicolo. L’unità di calcolo è quindi responsabile dell’analisi di questi dati e delle opportune modifiche allo sterzo e alla frenata. Affinché l’elaborazione sia efficace, gli algoritmi di apprendimento automatico utilizzati dai chip AI devono essere ampiamente addestrati prima dell’implementazione. Questa formazione prevede che gli algoritmi vengano esposti a una grande quantità di dati dei sensori ADAS, in modo tale che entro la fine del periodo di addestramento possano rilevare accuratamente oggetti, identificarli e differenziarli l’uno dall’altro (così come dal loro sfondo, quindi con determinazione della profondità di campo). L’ADAS passivo è il luogo in cui l’unità di calcolo avvisa il conducente dell’azione necessaria, tramite suoni, luci lampeggianti o feedback fisico. È il caso, ad esempio, dell’assistenza al parcheggio in retromarcia, dove i sensori di prossimità avvisano il conducente dove si trova l’auto rispetto agli ostacoli. L’ADAS attivo è il luogo in cui l’unità di calcolo apporta modifiche per il conducente. Poiché queste regolazioni avvengono in tempo reale e devono tenere conto delle diverse velocità del veicolo e delle condizioni meteorologiche, è di grande importanza che i chip che compongono l’unità di calcolo siano in grado di eseguire calcoli in modo rapido ed efficace.
Veicolo autonomi, una tabella di marcia scalabile
I SoC per l’autonomia veicolare sono in circolazione solo da un periodo di tempo relativamente breve, ma è chiaro che esiste una tendenza verso nodi di processo più ridotti, che aiutano a fornire prestazioni più elevate. Ciò ha senso dal punto di vista logico, poiché livelli più elevati di autonomia richiederanno necessariamente un maggiore grado di calcolo (poiché l’input computazionale umano è effettivamente esternalizzato a circuiti a semiconduttore). Il grafico sopra raccoglie i dati di 11 SoC automobilistici, uno dei quali è stato rilasciato nel 2019, mentre altri sono previsti per le linee di produzione 2024 e 2025 dei produttori automobilistici. Tra i più potenti tra i SoC considerati ci sono Nvidia Orin DRIVE Thor, atteso per il 2025, dove Nvidia fa valere prestazioni pari a 2000 Trilioni di Operazioni Al Secondo (TOPS), e il Qualcomm Snapdragon Ride Flex, che ha una performance di 700 TOPS ed è atteso nel 2024.
Il passaggio a dimensioni più ridotte dei nodi richiede apparecchiature di produzione di semiconduttori più costose (in particolare all’avanguardia, poiché vengono utilizzate macchine litografiche Deep Ultraviolet ed Extreme Ultraviolet) e processi di produzione che richiedono più tempo. Pertanto, il capitale richiesto alle fonderie per passare a processi nodali più avanzati si rivela una barriera significativa all’ingresso per tutti, tranne pochi produttori di semiconduttori. Questo è il motivo per cui diversi IDM stanno ora esternalizzando la produzione di chip ad alte prestazioni a quelle fonderie già capaci di tale fabbricazione.
Per contenere i costi per il futuro, è anche importante che i progettisti di chip considerino la scalabilità dei loro sistemi, poiché il movimento graduale verso l’aumento dell’adozione del livello di guida autonoma significa che i progettisti che non considerano la scalabilità in questo frangente corrono il rischio di spendere di più per progetti in nodi sempre più numerosi. Dato che il design dei chip da 4 e 3 nm (almeno per la parte dell’acceleratore AI del SoC) offre probabilmente un margine di prestazioni sufficiente fino al livello SAE 5, spetta ai progettisti considerare un hardware in grado di adattarsi alla gestione di algoritmi AI sempre più avanzati.
Ci vorranno alcuni anni prima di vedere sulla strada automobili dotate dei livelli di automazione più avanzati sopra proposti, ma la tecnologia per arrivarci sta già guadagnando terreno. I prossimi 2 anni, in particolare, saranno importanti per l’industria automobilistica, evidenzia IDTechEx.
