第二章：嵌入式平台选型与评估——DSP、FPGA、ARM、GPU的雷达处理适用性分析
做雷达系统这么多年，我见过太多项目在芯片选型上栽跟头。选错了平台，后面调优再努力也白搭。今天咱们就聊聊DSP、FPGA、ARM、GPU这四类平台，在雷达处理中到底该怎么选。
说白了，没有最好的平台，只有最合适的。你得想清楚：你的雷达要处理什么信号？实时性要求多高？功耗预算多少？成本能扛多少？这几个问题想明白了，选型就成功了一半。
2.1 四大平台的核心定位
先给个直观的对比。我个人习惯把这几类平台比作不同的工具：
- DSP：专为信号处理优化的处理器。擅长做FFT、滤波、矩阵运算这些数学活。指令集针对乘加运算做了特殊设计，一个时钟周期能干好几个乘加操作。
- FPGA：硬件可编程逻辑阵列。说白了就是你可以自己搭电路，想怎么连就怎么连。延迟极低，适合做流水线处理。
- ARM：通用嵌入式处理器。生态好，开发快，但算力有限。适合做控制、通信、人机交互这些活儿。
- GPU：大规模并行计算引擎。上千个核心同时干活，适合做矩阵运算、图像处理。但功耗高，实时性难保证。
核心观点：雷达处理链中，前端预处理（ADC采样、脉冲压缩、MTI）适合FPGA，中端信号处理（CFAR、测角、跟踪）适合DSP或GPU，后端数据处理（目标识别、决策）适合ARM。
2.2 算力评估：别只看峰值
很多工程师选型时只看芯片手册上的峰值算力，这其实是个坑。我在项目中遇到过好几次，芯片标称几百GFLOPS，实际跑雷达算法时连一半都用不上。
为什么会这样？因为峰值算力是在理想条件下测的——数据在片上、流水线全开、没有数据依赖。但实际雷达算法有大量数据搬移、条件分支、同步操作，这些都会吃掉算力。
我建议用有效算力来评估：
有效算力 = 峰值算力 × 算法适配度 × 数据带宽利用率举个例子，某款DSP标称1.2GHz主频，8个MAC单元，峰值算力19.2 GMAC/s。但跑一个256点复数FFT时，由于数据要从DDR搬进来，搬出去，实际吞吐只有6.8 GMAC/s。嗯，这里要注意，数据搬移往往是瓶颈。
| 平台 | 峰值算力 | 典型有效算力 | 适用场景 |
|---|---|---|---|
| DSP（C6678） | 160 GMAC/s | 40-60 GMAC/s | 脉冲压缩、MTI、CFAR |
| FPGA（Xilinx KU060） | ~5000 GMAC/s（DSP48） | 2000-3000 GMAC/s | 数字下变频、脉冲压缩、波束形成 |
| ARM（Cortex-A72） | ~10 GMAC/s | 3-5 GMAC/s | 目标跟踪、数据融合、通信 |
| GPU（Jetson AGX Orin） | ~200 TOPS | 50-80 TOPS | SAR成像、目标识别、深度学习 |
个人经验：评估算力时，一定要拿你实际要跑的算法做benchmark。别信厂商的PPT。我曾经被某款DSP的"理论算力"忽悠过，结果跑CFAR时发现内存带宽根本跟不上。
2.3 功耗与散热：嵌入式雷达的命门
雷达系统往往部署在户外、机载、车载等恶劣环境。功耗高了，散热就是大问题。我见过一个项目，选了GPU做信号处理，结果散热器比整个雷达还大，最后不得不降频运行。
不同平台的功耗特性差异很大：
- DSP：功耗相对可控，典型TDP 5-20W。适合对功耗敏感的场景。
- FPGA：功耗取决于逻辑利用率。空载时功耗低，满载时可能飙到30-100W。动态功耗占比大。
- ARM：功耗最低，典型TDP 1-5W。但算力也有限。
- GPU：功耗最高，典型TDP 15-75W（嵌入式GPU），甚至更高。
我建议用能效比（GMAC/s per Watt）来评估：
| 平台 | 典型功耗 | 能效比 | 散热方式 |
|---|---|---|---|
| DSP | 10W | 4-6 GMAC/s/W | 被动散热 |
| FPGA | 25W | 80-120 GMAC/s/W | 主动散热 |
| ARM | 3W | 1-2 GMAC/s/W | 被动散热 |
| GPU | 45W | 1.1-1.8 GMAC/s/W | 主动散热+风扇 |
避坑指南：我曾经在一个机载雷达项目里选了GPU，结果发现高空低温环境下风扇结冰，GPU直接过热保护。后来换成FPGA+DSP的方案，虽然开发周期长了点，但可靠性好太多。
2.4 成本权衡：BOM成本 vs 开发成本
很多团队只盯着芯片单价，忽略了开发成本。你想想看，一个FPGA工程师的月薪可能比ARM工程师高50%，而且FPGA开发周期长、调试困难。
我建议从全生命周期成本来考虑：
- DSP：芯片单价中等（$20-$100），开发成本中等。有成熟的雷达库（如TI的雷达库），上手快。
- FPGA：芯片单价高（$50-$500），开发成本高。需要懂硬件描述语言，时序约束复杂。
- ARM：芯片单价低（$5-$30），开发成本低。生态好，人才多。
- GPU：芯片单价中等（$50-$300），开发成本中等。CUDA生态成熟，但功耗和散热成本高。
举个实际案例。我之前做一款车载毫米波雷达，选了FPGA+ARM的方案。FPGA做前端预处理，ARM做后端控制。BOM成本约$80，但开发周期用了8个月。如果全用DSP，BOM成本能降到$50，但实时性可能不够。如果全用GPU，BOM成本$120，但功耗超标。
我的建议：量产超过1000套时，优先考虑FPGA+DSP或FPGA+ARM的异构方案。量产低于100套时，用GPU或高性能DSP更划算，开发成本低。
2.5 选型决策矩阵
最后给个实用的决策矩阵。你可以根据自己项目的权重来打分：
| 评估维度 | 权重 | DSP | FPGA | ARM | GPU |
|---|---|---|---|---|---|
| 实时性 | 30% | 8 | 10 | 5 | 6 |
| 算力 | 25% | 7 | 9 | 4 | 10 |
| 功耗 | 20% | 8 | 6 | 10 | 4 |
| 成本 | 15% | 7 | 4 | 9 | 5 |
| 开发难度 | 10% | 6 | 3 | 9 | 7 |
| 加权总分 | 100% | 7.3 | 7.4 | 6.8 | 6.7 |
你看，FPGA和DSP总分接近，但侧重点不同。如果你的项目对实时性要求极高（比如相控阵雷达），FPGA是首选。如果对功耗和成本敏感（比如手持雷达），DSP更合适。
最后说一句：选型不是一锤子买卖。我建议先做原型验证，用开发板跑通核心算法，再决定最终平台。别问我怎么知道的——我吃过亏。
下一章咱们聊聊具体的性能调优方法，包括内存优化、流水线设计、并行计算这些实战技巧。到时候我会拿几个真实项目案例来讲，保证干货满满。