1. 课程导入与EyeQ平台概览

在高级驾驶辅助系统与自动驾驶的感知链路中，Mobileye EyeQ系列芯片长期扮演着“视觉计算中枢”的角色。它并不是一颗通用GPU，而是一颗围绕多路摄像头输入、实时视觉算法与功能安全要求深度定制的SoC。理解EyeQ的演进脉络、内部任务分工，以及性能优化与资源治理的工程意义，是后续所有调优工作的起点。

一、EyeQ系列芯片的演进逻辑

EyeQ的迭代并非单纯堆算力，而是沿着“感知通道数、算法复杂度、能效比、功能安全等级”四条主线同步推进。早期EyeQ1/EyeQ2主要支撑单目或双目前视ADAS，算力在0.1～1 TOPS量级，处理对象以车道线、车辆、行人检测为主。EyeQ3开始引入更完整的视觉SoC架构，支持前视三目与多传感器融合，成为众多L2量产车型的核心。EyeQ4将算力提升到约2.5 TOPS，采用多核异构设计，支持8路摄像头输入，并强化了深度学习加速单元。EyeQ5进一步面向L4/L5，算力约24 TOPS，支持多路高分辨率摄像头与更复杂的神经网络，同时引入更严格的ASIL-D功能安全设计。EyeQ6系列则继续在能效比、AI加速密度和可扩展性上迭代，面向更高阶自动驾驶与集中式架构。

这条演进线给工程实践带来的直接启示是：不同代际EyeQ的算力、内存带宽、加速器类型、支持的算子集合差异很大。同一套视觉模型在EyeQ4上可实时运行，迁移到EyeQ5未必自动获得线性加速，因为瓶颈可能从算力转移到DDR带宽、数据搬运或调度开销。因此，性能优化必须“先定位代际特征，再定位具体瓶颈”。

二、视觉处理核心任务的分层

EyeQ上的视觉处理通常可以拆成四层任务。第一层是图像前端处理：包括去马赛克、降噪、畸变校正、自动曝光/白平衡、色调映射等，输出干净的图像数据。第二层是特征与几何处理：如边缘、角点、光流、深度估计、车道线拟合、相机标定与多相机对齐。第三层是深度学习感知：目标检测、语义分割、可行驶区域、交通标志识别、行人姿态等，通常由CNN或Transformer类模型承担。第四层是融合与后处理：将视觉结果与雷达、IMU、地图等信息融合，输出给规划控制模块。

这四层对资源的需求截然不同。前端处理偏重像素吞吐与固定功能硬件；几何处理偏重DSP与向量运算；深度学习感知吃AI加速器与DDR带宽；融合后处理则更依赖CPU与低延迟通信。资源治理的核心，就是让这四层在时间与空间上错峰、复用、不互相饿死。

三、性能优化与资源治理的工程意义

在量产项目中，EyeQ的资源预算是硬约束。以EyeQ4为例，典型配置下DDR带宽、AI加速器占用率、CPU负载都有明确上限。如果前视800万像素摄像头以30fps输入，仅图像前端与DDR搬运就可能吃掉相当比例的带宽。此时若把检测模型的分辨率从512×512提升到1024×1024，算力需求约变为4倍，但带宽和延迟可能先于算力成为瓶颈。工程上常见的做法是：先做带宽画像，统计每帧各阶段的读写字节数；再做算子级剖析，找出耗时最长的卷积或后处理；最后做调度与内存布局优化，例如层融合、权重量化、DMA双缓冲、多相机分时复用。

资源治理还涉及功能安全。EyeQ5及以上代际要求ASIL-D，意味着关键感知路径必须有冗余、有监控、有降级策略。性能优化不能以牺牲安全裕量为代价。例如，为了降低延迟而跳过某些校验，或为了省内存而共用缓冲区导致数据竞争，都是不可接受的。因此，优化与治理必须同时回答三个问题：快了多少、省了多少、安全边界是否仍然成立。

四、课程学习地图

本课程围绕“看得清、算得快、用得稳”三条主线展开。第一部分建立平台认知：EyeQ架构、工具链、性能模型与度量方法。第二部分深入视觉任务优化：图像前端、几何处理、深度学习推理的逐层调优手段，包括量化、剪枝、层融合、内存复用、DMA调度等。第三部分聚焦资源治理：带宽管理、功耗控制、多任务调度、功能安全约束下的性能取舍。第四部分通过综合案例，把优化方法串成可复现的工程闭环：从基线测量、瓶颈定位、方案实施到回归验证。

接下来，我们将从EyeQ的硬件架构与工具链开始，逐步建立可量化、可复现的性能优化与资源治理能力。