1 引言

由于摄像头可提供丰富的视觉数据，因此摄像头是机器人和机器感知和理解周围环境的主要传感器模式。随着基于深度学习的 AI 和具有 AI 功能的嵌入式处理器（即边缘 AI 处理器）的进步，相较以往，现在可以在更低的功耗下以更高的准确性对庞大而复杂的视觉数据进行分析。因此，摄像头是应用最广泛的传感器，可用于分析场景、检测障碍物、识别标签以及 2D 和 3D 条形码、定位物体的位置以及自主机器人的位置、绘制环境地图等等。

根据计算资源和数据源的接近程度，执行视频分析的 AI 有两种方法，分别是云 AI 和边缘 AI。云 AI 处理中央计算基础设施上的视觉数据，用于深度神经网络 (DNN) 模型的训练和推理。云 AI 可以使用大量计算资源来分析海量数据，尤其在模型训练方面表现出色，因此云 AI 一直处于主导地位。但是，由于数据需要传输到云，因此对于实时应用，云 AI 会带来延迟和安全问题。相比之下，边缘 AI 在直接连接到摄像头传感器的器件上运行 DNN 模型推理。由于摄像头数据在本地处理，因此边缘 AI 可实现实时处理，同时减少延迟和安全问题。

边缘 AI 需要可以处理多个摄像头并同时执行多个 DNN 推理的低功耗边缘 AI 处理器。随着边缘 AI 处理器变得越来越强大，边缘 AI 技术正广泛用于许多应用，这反过来又在尺寸、功耗和散热方面对边缘 AI 处理器提出了挑战。该处理器需要外形小巧，并且能够在工厂和施工现场的恶劣环境下，以及在车辆内或安装在道路上的摄像头内高效运行。此外，移动机器和机器人等某些设备需要在遵循严格功能安全标准的应用中通过边缘 AI 处理器认证。

本文介绍了高度集成的 AM69A 处理器。文中介绍了 AM69A 上运行的边缘 AI 的几个用例，并提供了资源利用率和功耗的估算值。这些用例包括 AI 盒、机器视觉、多摄像头 AI 等。本文还讨论了如何使用 AM69A 的异构架构、经过优化的 AI 模型以及易于使用的软件架构来开发边缘 AI 系统。