车联网/自动驾驶应用场景如何更好的基于GPU实现边缘计算提速和提高利用率？
车联网/自动驾驶对时延的要求极高，数据传输及处理量极大；如何更好的基于GPU实现边缘计算提速？ 如何通过GPU 加速提升基础架构利用率，及让 GPU 资源得到充分利用？实际遇到部署成本高，需求不是刚性的；用到的硬件需标准化；及如何保证边缘计算的安全等问题。
2同行回答
车联网及V2X车路协同场景中，执行路侧或路口感知任务的MEC (Multi-access Edge Computing) - 多接入计算单元是典型的边缘计算的场景，通过多设备或多传感器的接入（视频+毫米波雷达+激光雷达），实时感知和分析道路上发生的各类事件和路况，并将这些事件或告警及时广播或发布出来，有效的提高安全性和交通效率。 目前在车联网的场景中，经常遇到的时钟（帧）同步，多传感器融合，点云数据的加速等问题，英伟达与我们的合作伙伴可提供完备的解决方案，尤其对于激光雷达的点云数据加速处理部分，我们也会开源一些基于CUDA的加速实现，供广大的开发者参考和迭代。（ https://github.com/NVIDIA-AI-IOT/cuda-pcl ）
收起浏览1845
