Аппаратное ускорение для обнаружения пешеходов в модулях инфракрасных камер, установленных на транспортных средствах: повышение безопасности и эффективности

Введение

Растущий спрос на системы помощи водителю (ADAS) и автономные транспортные средства способствовал разработке надежных технологий обнаружения пешеходов. Инфракрасные камеры, благодаря своей высокой производительности в условиях низкой освещенности, стали критически важным компонентом для обеспечения безопасности пешеходов. Однако обработка инфракрасных данных в реальном времени для распознавания объектов требует значительных вычислительных ресурсов. Эта статья исследует, как технологии аппаратного ускорения преодолевают узкие места производительности, позволяя быстрее и энергоэффективнее разрабатывать алгоритмы обнаружения пешеходов в инфракрасных системах, установленных на транспортных средствах.Модули камерI'm sorry, but it seems there is no text provided for translation. Please provide the text you would like to have translated into Russian.

Ключевые проблемы в инфракрасном обнаружении пешеходов

Эффективные алгоритмы обнаружения пешеходов сталкиваются с несколькими препятствиями при интеграции в автомобильные системы:

• Сложность данных: Инфракрасные изображения захватывают тепловые радиационные паттерны, что требует специализированной извлечения признаков (например, Гистограмма ориентированных градиентов (HOG), свёрточные нейронные сети (CNN)) для различения пешеходов и фонового шума.
• Ограничения в реальном времени: системы ADAS требуют задержки менее миллисекунды для предотвращения столкновений, что требует высокоскоростной обработки данных.
• Эффективность энергии: Чрезмерное потребление энергии может разрядить аккумуляторы автомобиля, особенно в электрических автомобилях (EV).
• Экологическая изменчивость: Алгоритмы должны адаптироваться к разнообразным условиям (например, дождь, туман,遮挡, пешеходы разных размеров/поз).

Решения аппаратного ускорения: Оптимизация производительности и эффективности

Чтобы справиться с этими проблемами, аппаратно-ориентированные подходы сосредотачиваются на трех основных областях:

1. Специализированные процессорные блоки

• Графические процессоры (GPU): Параллельные вычислительные возможности ускоряют модели глубокого обучения (например, YOLOv5, Одноразовый многокоробочный детектор (SSD)) для инференса CNN в реальном времени. Платформа NVIDIA DRIVE является примером ускорения на основе GPU для ADAS.
• Field-Programmable Gate Arrays (FPGAs): Перенастраиваемые архитектуры превосходно подходят для ускорения фиксированных алгоритмов (например, HOG+SVM конвейеры). Индивидуальные проекты FPGA могут сократить задержку до 50% по сравнению с ЦП.
• Application-Specific Integrated Circuits (ASICs): Индивидуально разработанные чипы (например, Mobileye EyeQ,) достигают оптимального соотношения производительности к ватту, балансируя скорость и энергоэффективность.

2. Алгоритмическое и аппаратное совместное проектирование

•  Оптимизация модели: Техники, такие как обрезка, квантование и дистилляция знаний, сжимают модели CNN (например, уменьшая размер на 80% при сохранении точности), что позволяет развертыванию на краю.
• Гибридные архитектуры: Динамическое распределение нагрузки между модулями CPU, GPU и FPGA максимизирует использование ресурсов. Например, CPU обрабатывают управляющие задачи, GPU ускоряют слои CNN, а FPGA предварительно обрабатывают данные (например, фильтрация Габора).
• Обработка данных на стороне: Специальные аппаратные модули выполняют улучшение инфракрасных изображений (уменьшение шума, регулировка контраста) заранее, снижая нагрузку на основной процессор.

3. Обучение в узкоспециализированной области и увеличение данных

• Datasets: Обучение алгоритмов с аннотированными тепловыми данными (например, FLIR-ADAS, KAIST Мультиспектральный пешеход) повышает надежность. Аппаратные ускорители настроены для эффективной обработки этих наборов данных.
•  Синтетические данные: Симулированные тепловые изображения (например, запотевшие сцены, ночные затенения) заполняют пробелы в реальных данных, улучшая обобщение модели.

Реальное воздействие и будущие тенденции

Аппаратное ускорение изменяет автомобильный ландшафт:

• OEM Интеграция: Полная система автономного вождения (FSD) Tesla и платформы ADAS BMW используют гибриды GPU+FPGA для улучшенного обнаружения пешеходов.
• Автомобильные ASIC: Компании, такие как Ambarella и Horizon, разрабатывают специализированные чипы, нацеленные на автономию L3-L4, с оптимизированными инфракрасными процессинговыми конвейерами.
•  Новые технологии: Нейроморфные вычисления и архитектуры, вдохновленные квантовыми технологиями, демонстрируют перспективы многократного увеличения производительности.

Заключение

Синергируя оптимизированные алгоритмы с специализированным оборудованием, модули инфракрасных камер, установленных на транспортных средствах, могут достигать обнаружения пешеходов в реальном времени с минимальным потреблением энергии. По мере развития ADAS и автономного вождения аппаратное ускорение останется ключевым для обеспечения безопасности в любых условиях освещения, прокладывая путь к будущему, где транспортные средства бесшовно защищают пешеходов.