1. 课程导入与平台全景
在智能驾驶与视觉感知系统中，算力平台的选择往往决定了算法能否真正落地。TI（德州仪器）Jacinto 系列处理器正是面向汽车电子与 ADAS 场景打造的一类异构 SoC 家族，其核心思路是把通用计算、实时控制、图像处理与深度学习加速集成在同一颗芯片上，让摄像头输入、感知推理、融合决策与显示输出能够在车规级功耗与安全约束下协同工作。理解 Jacinto 的定位，是理解后续 C7x DSP 视觉加速与算法部署的前提。
Jacinto 系列覆盖从入门级到高阶域控制器的多个型号，典型代表包括 TDA4VM、TDA4VL、TDA4VH 等。它们共享一套相似的异构架构：ARM Cortex-A72 负责运行 Linux/QNX 等富操作系统与上层应用；ARM Cortex-R5F 承担实时控制与安全岛任务；C7x DSP 与 MMA（矩阵乘法加速器）负责高吞吐的视觉与深度学习计算；此外还有 VPAC（视觉预处理加速器）、DMPAC（深度与运动感知加速器）以及 GPU 等模块。不同型号在 C7x 数量、MMA 算力、摄像头接口数量上有所差异，但编程模型与软件栈高度一致，这使得在 TDA4VM 上验证的算法可以较平滑地迁移到更高阶型号。
从信号链可以看出，Jacinto 的设计哲学是“让合适的单元做合适的事”。VPAC 用固定功能硬件完成去马赛克、降噪、色彩校正和畸变校正，这些操作如果放在 CPU 上会消耗大量周期；C7x DSP 则承担卷积、特征提取、非极大值抑制等向量密集型任务；MMA 进一步把矩阵乘法卸载到专用加速器；A72 运行 Linux 或 QNX，负责感知融合、决策规划以及上层应用调度。R5F 作为安全岛，独立监控系统状态，满足功能安全要求。这种分工使得单颗芯片能够在约 10W 级功耗下支撑多路摄像头实时感知。
视觉加速在 ADAS/自动驾驶中的角色
在 ADAS 与自动驾驶系统中，视觉加速的核心价值在于把原始像素转化为结构化语义信息。以典型的 L2+ 前视感知为例：一路 800 万像素摄像头以 30fps 输出 RAW 数据，经 VPAC 处理后得到 1920×1080 的 YUV 图像；随后送入基于 CNN 的目标检测网络，例如以 ResNet-18 为骨干的检测头，输入张量约为 1×3×512×512。在 C7x 上，卷积层通过向量指令并行计算，MMA 负责其中的矩阵乘加，INT8 量化后单帧推理时间可控制在约 20～30ms 量级（具体数值取决于网络结构与频率配置，此处为教学示例量级）。推理输出经过解码与 NMS 后，得到目标框、类别与置信度，再交由 A72 上的融合模块与雷达、激光雷达结果关联。
这一过程中，C7x 的定位非常明确：它不是通用 CPU，而是面向向量与张量计算的 DSP。它的优势在于单指令多数据（SIMD）能力和流式数据访问，适合处理图像金字塔、光流、特征匹配、透视变换等传统视觉算法，也适合运行量化后的深度学习网络。理解 C7x 的编程模型——包括向量类型、DMA 搬运、核间通信——是后续算法部署的关键。
课程目标与实战路线图
本课程的目标不是泛泛介绍 Jacinto 的规格，而是建立一条从“理解平台”到“部署算法”的完整路径。学完本课程后，你应当能够：读懂 TDA4 的异构计算资源分配；使用 TI 的 TIDL 工具链把训练好的模型转换为可在 C7x/MMA 上运行的量化模型；编写或修改 C7x 上的视觉算子；通过 OpenVX 或 TI 的视觉库搭建感知流水线；并能够定位推理帧率不足、精度下降、内存带宽瓶颈等常见问题。
实战路线图大致分为四个阶段。第一阶段是平台认知与开发环境搭建，包括理解 Jacinto 的启动流程、使用 SDK 中的 RTOS/Linux 镜像、配置 CCS 与 TIDL 工具。第二阶段是 C7x DSP 编程基础，重点掌握向量数据类型、DMA 双缓冲、核间通信与性能计数。第三阶段是算法部署，把分类、检测、分割网络通过 TIDL 导入，分析量化误差，调整输入尺寸与算子映射。第四阶段是系统集成与优化，把感知结果接入 A72 上的应用框架，评估端到端延迟与资源占用，并针对瓶颈做定向优化。
需要强调的是，Jacinto 平台的学习曲线主要来自“异构”二字。同一个功能可能由 VPAC、C7x、MMA 或 A72 分别实现，选择哪条路径取决于数据量、精度要求和实时性约束。例如图像缩放，VPAC 可以硬件完成，C7x 也可以用向量指令完成，但前者几乎不占 DSP 周期，后者会消耗可观的向量资源。因此，在后续章节中，我们会反复回到“任务该放在哪个单元”这一判断上，并给出可量化的依据。
最后，本课程涉及的参数、配置和性能数据，除特别说明外，均以 TI 官方 SDK 文档和 TDA4VM 数据手册为参考，教学示例中的具体数值用于说明量级和判断方法，实际结果会随芯片版本、频率配置、内存带宽和模型结构而变化。掌握测量与判断方法，比记住某个具体数字更重要。