📚 课程目录第1章课程导入

1. 课程导入

自动驾驶系统本质上是一台“在移动中实时做决策的计算机”。摄像头、激光雷达、毫米波雷达、组合导航等传感器持续产生数据，感知、预测、规划、控制等算法在车载计算平台上以毫秒级节奏协同运行。计算平台一旦出现算力不足、内存带宽瓶颈、调度抖动或热降频，轻则导致帧率下降，重则影响行车安全。因此，性能基准与调优工程不是附属工作，而是自动驾驶系统能否稳定量产的关键工程能力。

本课程的目标不是教会你“跑一个跑分软件”，而是建立一套可复用的工程方法：能定义指标、能搭建基准、能定位瓶颈、能验证优化、能守住量产稳定性。

一、学习目标：从“会测”到“会调”

完成本课程后，你应当具备以下能力：

指标定义能力：能区分时延、吞吐、抖动、CPU/GPU/NPU利用率、内存带宽、功耗、温度等指标，并说明它们与自动驾驶功能的关系。
基准搭建能力：能针对感知、融合、规划等不同负载，设计可重复、可对比、可回归的基准测试方案。
瓶颈定位能力：能借助 profiling 工具、时间线、计数器、日志，判断瓶颈在计算、访存、通信、调度还是散热。
调优实施能力：能通过算子优化、量化、批处理、流水线、线程绑定、内存复用等手段提升性能。
量产验证能力：能建立性能基线、回归门禁和长稳测试，避免“实验室很快、上车就抖”。

二、核心概念：性能不是单一数字

在自动驾驶计算平台中，性能至少包含五个维度：

维度	典型指标	工程含义
时延	端到端时延、单帧推理时延、P99时延	决定系统反应速度，P99比平均值更接近真实风险
吞吐	FPS、每秒处理帧数、带宽	决定多路传感器能否同时处理
抖动	时延方差、帧间隔波动	影响控制平顺性和功能安全
资源效率	CPU/GPU/NPU利用率、内存占用、带宽占用	决定是否还有余量应对复杂场景
稳定性	热降频、长稳衰减、内存泄漏	决定量产后的持续可靠性

其中，P99时延和抖动常被初学者忽略。平均值好看不代表安全，因为自动驾驶最危险的时刻往往发生在最慢的那一帧。

三、整体知识框架：四层一闭环

本课程的知识框架可以概括为“四层一闭环”：

硬件层：SoC、GPU、NPU、DSP、内存、存储、散热与供电。
系统层：操作系统、实时调度、驱动、通信中间件、时间同步。
算法层：模型结构、算子、精度、量化、批处理与流水线。
应用层：感知、预测、规划、控制等任务的端到端性能。
闭环：基准测试 → 性能剖析 → 瓶颈定位 → 优化实施 → 回归验证。

下面这张图展示了从传感器输入到控制输出，再到基准与调优闭环的整体关系。它也是本课程后续章节的“地图”。

四、实战路线图：从单点到系统

课程将按照“先单点、后系统、再量产”的路线推进：

指标与工具入门：理解时延、吞吐、抖动，掌握常用 profiling 工具。
单模块基准：对单个模型或算子做可重复的微基准测试。
端到端基准：把感知、预测、规划、控制串起来，测全链路时延与帧率。
瓶颈定位：用时间线、火焰图、硬件计数器找到真正的瓶颈。
调优实战：算子融合、量化、批处理、流水线、线程绑定、内存复用。
量产稳定性：热降频、长稳、回归门禁、性能预算管理。

五、案例场景：一次典型的性能问题

某项目在实验室跑感知模型时，单帧推理平均 28ms，看起来满足 30FPS。但上车后出现偶发刹车顿挫。排查发现：

平均时延: 28ms
P99时延: 67ms
GPU利用率: 92%
内存带宽占用: 88%
温度: 85°C 后触发降频
调度抖动: 最大 18ms

问题不在“平均算力不够”，而在P99时延、内存带宽和热降频。优化方向包括：降低峰值带宽、调整线程优先级、改善散热策略、对模型做量化。这个案例说明：性能工程必须看分布、看资源、看稳定性，而不是只看一个平均 FPS。

建议在项目早期就建立性能基线，把“性能预算”写进需求：例如端到端 P99 时延不超过 100ms，GPU 利用率不超过 80%，温度不超过 80°C。

六、常见误区与复盘

误区一：只看平均时延。 复盘：必须同时看 P95、P99 和抖动。
误区二：把 GPU 利用率高当成好事。 复盘：利用率接近 100% 往往意味着没有余量，容易抖动。
误区三：优化后不回归。 复盘：每次优化都要重新跑基准，防止“按下葫芦浮起瓢”。
误区四：忽略散热与功耗。 复盘：车载环境温度高，热降频会直接吃掉性能。
误区五：只测模型，不测系统。 复盘：通信、调度、内存拷贝往往才是隐藏瓶颈。

性能调优不是“把数字压到最低”，而是在时延、吞吐、功耗、温度、成本之间找到可量产、可验证、可回归的平衡点。

接下来，课程将围绕这条“基准—剖析—定位—优化—回归”的主线展开。你将逐步掌握从单算子到整车级计算平台的性能工程方法，并能在真实项目中独立完成性能基准设计与调优闭环。