La strada verso i veicoli completamente autonomi è lunga e tortuosa. A renderla più agevole e lineare ci penserà la "guida" dell'intelligenza artificiale, cruciale nelle applicazioni di analisi on-board.
Non per nulla IDTechEx prevede che i chip AI genereranno un fatturato di oltre 22 miliardi di dollari entro il 2034 e il mercato verticale che registrerà il livello più alto di crescita nel prossimo decennio è proprio il settore automobilistico, con un tasso di crescita annuale composto del +13%.
Parte dei circuiti a semiconduttore, i chip AI sono in grado di gestire in modo efficiente i carichi di lavoro dell'apprendimento automatico. I chip AI utilizzati dai veicoli automobilistici si trovano nei microcontrollori posizionati centralmente, che a loro volta sono collegati a periferiche come sensori e antenne per formare un Adas funzionante.
Il ruolo dell'intelligenza artificiale a bordo
L'intelligenza artificiale on-board può essere utilizzata per diversi scopi. Gli esempi sono diversi, a partire dal monitoraggio del conducente. Qui i controlli vengono regolati per conducenti specifici: le posizioni della testa e del corpo vengono monitorate nel tentativo di rilevare la sonnolenza e la posizione di seduta viene modificata in caso di incidente.
Un secondo esempio riguarda l'assistenza alla guida: in questo caso l'intelligenza artificiale è responsabile del rilevamento degli oggetti e delle correzioni appropriate allo sterzo e alla frenata. Abbiamo poi tutto lo scenario relativo all'intrattenimento a bordo, in cui gli assistenti virtuali di bordo agiscono in modo simile a quello degli smartphone o degli elettrodomestici intelligenti.
La più importante riguarda l'assistenza al conducente, poiché la robustezza e l'efficacia del sistema di intelligenza artificiale determinano il livello di guida autonoma del veicolo.
L'IA e i sistemi avanzati di assistenza alla guida
Una serie di sensori installati nell'auto - tra cui quelli basati su Lidar (Light Detection and Ranging) e sensori di visione - 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 regolazioni dello sterzo e della frenata. Affinché l'elaborazione sia efficace, gli algoritmi di apprendimento automatico utilizzati dai chip AI devono essere ampiamente addestrati prima di essere utilizzati.
L'addestramento prevede che gli algoritmi siano esposti a una grande quantità di dati dei sensori Adas (sistemi avanzati di assistenza alla guida), in modo che alla fine del periodo di addestramento siano in grado di rilevare con precisione gli oggetti, identificarli e distinguerli l'uno dall'altro (oltre che dallo sfondo, determinando così la profondità di campo).
Gli Adas passivi sono quelli in cui l'unità di calcolo avverte il conducente dell'azione necessaria, attraverso suoni, luci lampeggianti o feedback fisici. È il caso, ad esempio, dell'assistenza al parcheggio in retromarcia, dove i sensori di prossimità segnalano al conducente la posizione dell'auto rispetto agli ostacoli.
L'Adas attivo, invece, è quello in cui l'unità di calcolo effettua le regolazioni per il conducente. Poiché queste regolazioni avvengono in tempo reale e devono tenere conto delle diverse velocità del veicolo e delle condizioni atmosferiche, è molto importante che i chip che compongono l'unità di calcolo siano in grado di effettuare calcoli in modo rapido ed efficace.
Una sfida per i produttori di semiconduttori
I SoC (sistemi su circuito integrato) per l'autonomia dei veicoli sono in circolazione solo da un tempo relativamente breve, ma è chiaro che c'è una tendenza verso processi a nodi più piccoli, che aiutano a fornire prestazioni più elevate. Ciò ha senso dal punto di vista logico, in quanto livelli più elevati di autonomia richiederanno necessariamente un maggior grado di calcolo (dato che l'input computazionale umano è di fatto esternalizzato ai circuiti dei semiconduttori).
Il grafico qui 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 dei produttori automobilistici nel 2024 e 2025. Tra i SoC più potenti presi in considerazione ci sono l'Orin Drive Thor di Nvidia, previsto per il 2025, dove Nvidia afferma di avere prestazioni di 2000 trilioni di operazioni al secondo (Tops), e il Qualcomm Snapdragon Ride Flex, che ha prestazioni di 700 Tops ed è previsto per il 2024.
Il passaggio a nodi di dimensioni più ridotte richiede attrezzature più costose per la produzione di semiconduttori (in quanto vengono utilizzate macchine per la litografia Deep Ultraviolet e Extreme Ultraviolet) e processi di produzione più lunghi. Per questo motivo, il capitale necessario alle fonderie per passare ai processi dei nodi più avanzati rappresenta una barriera significativa all'ingresso per tutti i produttori di semiconduttori, tranne pochi. Questo è il motivo per cui molti IDM stanno esternalizzando la produzione di chip ad alte prestazioni alle fonderie già in grado di produrli.
Veicoli a guida autonoma: la tabella di marcia ora
Per contenere i costi in futuro, è importante che i progettisti di chip prendano in considerazione la scalabilità dei loro sistemi, in quanto il movimento graduale di adozione del livello di guida autonoma significa che i progettisti che non prendono in considerazione la scalabilità in questa fase corrono il rischio di spendere di più per progetti a nodi sempre più grandi. Dato che la progettazione di chip a 4 nm e 3 nm (almeno per la porzione di acceleratore AI del SoC) offre probabilmente un margine di prestazioni sufficiente fino al livello SAE 5, è opportuno che i progettisti prendano in considerazione un hardware in grado di adattarsi alla gestione di algoritmi AI sempre più avanzati.
Ci vorranno ancora alcuni anni prima di vedere su strada auto in grado di raggiungere i livelli di automazione più avanzati proposti sopra, ma la tecnologia per arrivarci sta già prendendo piede. I prossimi due anni, in particolare, saranno importanti per l'industria automobilistica.
