（图片来源：加州大学河滨分校）

为了正确、安全地运行无人机和自动驾驶汽车等自动系统，需要极快速地同时进行数百万次计算，通常为这些自动系统提供所需的计算能力的就是GPU。GPU广泛用于超级计算和云计算，以显著提高如图像处理、深度学习和其他计算密集型应用的速度。而提高速度是有代价的，用于并行计算的GPU消耗大量能源，限制了其用于自给自足的、通常由电池驱动的应用场景，如汽车和无人机。

对于自动系统而言，有效的GPU必须是节能的，并且能够实时执行工作负载（workload）。例如，一辆自动驾驶汽车要在道路上安全行驶，必须能够处理各种传感器信息，如摄像头和激光雷达，并在几毫秒内做出决定，以防止车辆发生碰撞。

然而，现代嵌入式GPU用于自动系统设备中时有几个限制。GPU往往能耗高，导致计算能力不足，限制自动系统性能。GPU硬件和软件需要有时间意识，以成功执行实时操作，并满足工作负载时间要求，从而提供正确和安全的操作。

为了解决这些问题，加州大学河滨分校的项目将提供横跨软件和硬件的解决方案，为自动系统打造实时嵌入式GPU。Wong表示，“当前的GPU在闲置状态时的能耗与积极处理工作负载时的能耗几乎相同，造成了能源浪费。”为此，该团队将设计“能耗灵活”的硬件，使GPU根据工作量消耗能源。Wong 解释道，“如果GPU做功少，能耗就低；如果需要做更多的工作，能耗就高。”

GPU硬件由多个调度器组成，而这些调度器并不了解工作负载的时间要求。因此，如果在GPU上运行多个工作负载，可能会有一些工作负载由于争夺硬件资源而错过截止日期。研究小组将创建具有时间感知的硬件和软件，允许各种硬件调度器对工作负载进行优先排序，以确保满足时间期限。

研究人员将设计与硬件调度器协调的实时调度软件。通过硬件使软件根据工作负载进度进行更新，从而使软件做出更好的调度决策，并改进实时操作。Kim表示，“目前的软件和硬件在执行工作负载期限方面没有协调一致。该项目将使多种工作负载安全运行，并提高自动系统中嵌入式GPU的性能。”