2026年，想用一块AMD Xilinx的Versal AI Edge系列开发板完成‘端侧实时多模态感知融合（摄像头+毫米波雷达）’的毕设，在利用其AI Engine、可编程逻辑（PL）和处理器核（APU）时，如何划分传感器数据预处理、特征提取、融合决策的任务，并解决异构计算单元间数据搬运的带宽瓶颈？
我的毕业设计想做一个前沿的端侧多模态感知融合系统，使用Versal AI Edge平台。传感器计划用摄像头和毫米波雷达。我了解到Versal有AI Engine（向量处理器）、可编程逻辑PL和ARM处理器核APU。现在很困惑如何合理地进行软硬件任务划分：1. 图像预处理（去噪、畸变校正）和雷达点云预处理（滤波）放在PL还是APU？2. 视觉特征提取（如CNN）和雷达特征提取放在AI Engine还是PL？3. 最后的融合决策算法（如卡尔曼滤波）放在哪里？最关键的是，这些异构单元之间（如PL到AIE，AIE到APU）的数据交互带宽可能成为瓶颈，应该如何设计数据流和片上存储（如DDR、NoC）来优化？有没有类似的设计参考或最佳实践？
码电路的小王
