【摘要】：近年來,各大企業(yè)和高校研究機(jī)構(gòu)等都開始了對(duì)自動(dòng)駕駛和深度學(xué)習(xí)技術(shù)的研究,車輛目標(biāo)檢測(cè)技術(shù)是自動(dòng)駕駛技術(shù)里非常重要的環(huán)節(jié),不僅需要考慮識(shí)別的準(zhǔn)確率還需要考慮到算法性能。性能問題也是目前研究遇到的一個(gè)較大挑戰(zhàn),目前有兩種手段提高算法的性能,一種是通過算法的優(yōu)化如網(wǎng)絡(luò)優(yōu)化、參數(shù)簡(jiǎn)化等來實(shí)現(xiàn)軟件加速,另一種則是通過選用運(yùn)算能力強(qiáng)的載體實(shí)現(xiàn)硬件加速。首先研究將車輛目標(biāo)檢測(cè)的所有算法運(yùn)行在PC的CPU上的情況,分析其各部分性能,探究其耗時(shí)較大且加速可行的部分進(jìn)行硬件加速,經(jīng)過研究最終對(duì)卷積神經(jīng)網(wǎng)絡(luò)運(yùn)算部分采取硬件加速。然而考慮到自動(dòng)駕駛場(chǎng)景中,GPU算法加速功耗高,不能保障車輛行駛中的節(jié)能性和安全性;ASIC算法加速的靈活性差,不能保障新算法的及時(shí)更迭。而FPGA載體可以集高靈活性、低功耗性及強(qiáng)大的運(yùn)算能力于一體。本設(shè)計(jì)通過PC的CPU+SOC芯片的架構(gòu)來研究對(duì)神經(jīng)網(wǎng)絡(luò)分類算法加速的性能提升,其中SOC采用的是Xilinx高性能芯片ZYNQ7035,其處理器部分負(fù)責(zé)與PC通過高速千兆以太網(wǎng)進(jìn)行交互及數(shù)據(jù)流控制,其硬件邏輯部分則負(fù)責(zé)神經(jīng)網(wǎng)絡(luò)分類算法的硬件加速實(shí)現(xiàn)。本設(shè)計(jì)對(duì)數(shù)據(jù)流控制進(jìn)行了一定的優(yōu)化,使得數(shù)據(jù)的吞吐量得到了將近一倍的提升。本研究的重點(diǎn)是用FPGA對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行算法加速,包含彩色圖像數(shù)據(jù)流串行轉(zhuǎn)換及傳輸、卷積層、激活函數(shù)層、池化層及全連接層的各層運(yùn)算。在參數(shù)上,保證對(duì)準(zhǔn)確率和召回率影響很小的情況下,利用定點(diǎn)化來節(jié)省權(quán)值參數(shù)、偏置參數(shù)及運(yùn)算結(jié)果的存儲(chǔ)資源及運(yùn)算資源。存儲(chǔ)資源采用的是BRAM資源,用于存儲(chǔ)訓(xùn)練好的權(quán)值參數(shù)及卷積運(yùn)算的結(jié)果。運(yùn)算資源采用的是DSP資源,本設(shè)計(jì)共占用800個(gè)DSP資源,可以并行同時(shí)進(jìn)行800對(duì)權(quán)值參數(shù)和數(shù)據(jù)的定點(diǎn)相乘。編程中利用數(shù)據(jù)流控制、流水線思想、多模塊并行、加法樹、高速緩存等并行編程思想完成算法加速;利用定點(diǎn)化、資源分時(shí)復(fù)用等硬件編程思想完成面積優(yōu)化;利用狀態(tài)機(jī)獨(dú)熱碼、寄存器分割等硬件編程思想完成時(shí)序優(yōu)化。最終實(shí)現(xiàn)FPGA的卷積神經(jīng)網(wǎng)絡(luò)推斷加速性能是ARM CPU的3224倍,Intel core i7-8750 CPU的15倍。由此可見FPGA對(duì)神經(jīng)網(wǎng)絡(luò)分類運(yùn)算的加速效果較好;且其編程靈活性較高,在其他深度學(xué)習(xí)場(chǎng)景中只需更新權(quán)值參數(shù)及增加狀態(tài)機(jī)即可針對(duì)其他神經(jīng)網(wǎng)絡(luò)運(yùn)算進(jìn)行加速;以及其功耗較低,可以在車輛檢測(cè)場(chǎng)景中得到應(yīng)用。
【圖文】：

像素分布不均勻，隨機(jī)性大，只能對(duì)特定形狀的物體進(jìn)行搜索，當(dāng)一個(gè)物體具有多種尺度的時(shí)候，使用該算法進(jìn)行計(jì)算的復(fù)雜度則會(huì)很高。一般的超像素圖像分割方法：圖像分割是指將圖像按照顏色、亮度、紋理及位置詳細(xì)劃分為多個(gè)子區(qū)域圖像的過程，這些子區(qū)域一般會(huì)保留物體的邊界信息，這些劃分出來的子區(qū)域又稱為超像素[12]。以簡(jiǎn)單線性迭代聚類 SLIC 為例，這是基于聚類的一個(gè)超像素分割，不僅可以分割灰度圖還可以分割彩色圖像，可以人為的設(shè)置需要分割的超像素?cái)?shù)量，但是本方法僅適用于對(duì)紋理簡(jiǎn)單且邊緣清晰的物體進(jìn)行分割，車輛的紋理一般較為復(fù)雜，通過此方法很難較好的分割車輛候選區(qū)域。選擇性搜索[13]（Selective Search，簡(jiǎn)稱 SS）：如圖 2-2 是 SS 算法的效果圖，其按照層次對(duì)圖像分割的區(qū)域逐漸合并。它結(jié)合了窮舉搜索和圖像分割。與窮舉搜索類似的是，它的目標(biāo)是捕獲所有可能的對(duì)象位置。而與圖像分割類似的是，它是利用圖像的各種特征為指引對(duì)圖像進(jìn)行細(xì)分。SS 算法并不是使用單一方法來產(chǎn)生可能的對(duì)象位置，而是用多種方法相互補(bǔ)充來進(jìn)行圖像搜索，以產(chǎn)生盡可能多的圖像目標(biāo)候選框。與窮舉搜索相比，減少大量的候選框數(shù)量使得后續(xù)的神經(jīng)網(wǎng)絡(luò)不必處理大量的冗余信息，使得處理更加高效。

圖 3-2 PS 中的硬件資源、外設(shè)、接口、控制器等3.2.3AXI 總線協(xié)議AXI 協(xié)議表示的是高級(jí)可拓展接口，他是 ARM AMBA 開發(fā)標(biāo)準(zhǔn)的一部分[23]。AMBA 標(biāo)準(zhǔn)本是 ARM 開發(fā)用于單片機(jī)的。2009 年的時(shí)候，Xilinx 與 ARM 合作為基于 FPGA 的高性能系統(tǒng)設(shè)計(jì)定義了 AXI4 規(guī)范，，并在其新一代 SOC 芯片上采用了 AMBA AXI4 協(xié)議。AXI 總線可以靈活使用，一般情況下用于處理器和硬件邏輯間的信息交互，AXI4 分為 3 類總線協(xié)議，根據(jù)具體情況選用合適的協(xié)議傳輸。AXI4 協(xié)議：用于存儲(chǔ)器映射連接，AXI4 共包含 5 個(gè)不同的通道（讀地址通道 AR、寫地址通道 AW、讀數(shù)據(jù)通道 R、寫數(shù)據(jù)通道 W 和寫響應(yīng)通道 B），每個(gè)通道由一個(gè)信號(hào)集合所構(gòu)成，并使用 valid 信號(hào)和 ready 信號(hào)握手機(jī)制保證數(shù)據(jù)的可靠傳輸。AXI4-Lite 協(xié)議：輕量 AXI 協(xié)議，是 AXI 的子集，專用于對(duì)硬件邏輯中的控制寄存器進(jìn)行通信，這個(gè)接口的規(guī)模較�。ú恢С肘Оl(fā)通信、亂序傳輸、互斥操作等等），但是足以進(jìn)行寄存器命令的傳輸。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U463.6;TP391.41;TN791

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 任薇;任明武;;面向車輛防撞的車底陰影檢測(cè)方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2015年05期

相關(guān)碩士學(xué)位論文 前5條

1 周馬莉;基于視覺的無人駕駛車前方車輛檢測(cè)方法研究與實(shí)現(xiàn)[D];南京理工大學(xué);2018年

2 黃海洋;面向大數(shù)據(jù)的CPU/GPU/FPGA計(jì)算平臺(tái)研究[D];電子科技大學(xué);2017年

3 王震宇;無人駕駛車輛換道控制方法研究[D];東南大學(xué);2016年

4 丁樂樂;基于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的車輛定位與識(shí)別[D];電子科技大學(xué);2016年

5 韻卓;基于DSP的道路前方車輛識(shí)別算法研究[D];吉林大學(xué);2014年

本文編號(hào)：2697780