تسریع سخت‌افزاری برای شناسایی عابران پیاده در ماژول‌های دوربین مادون قرمز نصب‌شده بر روی خودرو: افزایش ایمنی و کارایی

مقدمه

افزایش تقاضا برای سیستم‌های پیشرفته کمک راننده (ADAS) و وسایل نقلیه خودران، توسعه فناوری‌های قوی تشخیص عابر پیاده را تسریع کرده است. ماژول‌های دوربین مادون قرمز، با عملکرد برتر خود در شرایط نور کم، به عنوان یک جزء حیاتی برای اطمینان از ایمنی عابران پیاده ظاهر شده‌اند. با این حال، پردازش بلادرنگ داده‌های مادون قرمز برای شناسایی اشیاء به منابع محاسباتی قابل توجهی نیاز دارد. این مقاله به بررسی چگونگی غلبه بر گلوگاه‌های عملکرد با استفاده از تکنیک‌های شتاب‌دهی سخت‌افزاری می‌پردازد و الگوریتم‌های تشخیص عابر پیاده سریع‌تر و با بهره‌وری انرژی بیشتری را در سیستم‌های مادون قرمز نصب شده بر روی وسیله نقلیه امکان‌پذیر می‌سازد. ماژول‌های دوربینI'm sorry, but it seems there is no text provided for translation. Please provide the text you would like to have translated into Persian (fa).

چالش‌های کلیدی در تشخیص عابر پیاده با مادون قرمز

الگوریتم‌های مؤثر تشخیص عابران پیاده با موانع متعددی هنگام ادغام در سیستم‌های خودرو مواجه هستند:

• پیچیدگی داده: تصاویر مادون قرمز الگوهای تابش حرارتی را ضبط می‌کنند که نیاز به استخراج ویژگی‌های تخصصی (مانند هیستوگرام گرادیان‌های جهت‌دار (HOG)، شبکه‌های عصبی کانولوشنی (CNNs)) برای تمایز عابران پیاده از نویز پس‌زمینه دارد.
• محدودیت‌های زمان واقعی: سیستم‌های ADAS به تأخیر زیر میلی‌ثانیه نیاز دارند تا از تصادفات جلوگیری کنند و به پردازش داده‌های با سرعت بالا نیاز دارند.
• کارایی انرژی: مصرف بیش از حد انرژی می‌تواند باتری‌های خودرو را تخلیه کند، به‌ویژه در خودروهای برقی (EVها).
• تنوع محیطی: الگوریتم‌ها باید به شرایط متنوع (مانند باران، مه، انسدادها، عابران پیاده با اندازه‌ها/حالت‌های مختلف) سازگار شوند.

راه‌حل‌های شتاب‌دهی سخت‌افزاری: بهینه‌سازی عملکرد و کارایی

برای مقابله با این چالش‌ها، رویکردهای مبتنی بر سخت‌افزار بر سه حوزه اصلی تمرکز دارند:

1. واحدهای پردازش تخصصی

• واحدهای پردازش گرافیکی (GPUs): قابلیت‌های محاسبات موازی مدل‌های یادگیری عمیق (به عنوان مثال، YOLOv5، شناسایی چند جعبه تک شات (SSD)) را برای استنتاج CNN در زمان واقعی تسریع می‌کند. پلتفرم DRIVE انویدیا نمونه‌ای از تسریع مبتنی بر GPU برای ADAS است.
• Field-Programmable Gate Arrays (FPGAs): معماری‌های قابل پیکربندی در تسریع الگوریتم‌های ثابت (به عنوان مثال، خطوط لوله HOG+SVM) عالی هستند. طراحی‌های سفارشی FPGA می‌توانند تا 50% تأخیر را در مقایسه با CPUها کاهش دهند.
• مدارهای مجتمع خاص برنامه (ASICs): چیپ‌های سفارشی (به عنوان مثال، Mobileye EyeQ) نسبت‌های بهینه عملکرد به وات را به دست می‌آورند و سرعت و کارایی انرژی را متعادل می‌کنند.

2. طراحی مشترک الگوریتم-سخت‌افزار

•  بهینه‌سازی مدل: تکنیک‌هایی مانند هرس، کم‌سازی و تقطیر دانش مدل‌های CNN را فشرده می‌کنند (به عنوان مثال، کاهش اندازه به میزان 80% در حالی که دقت حفظ می‌شود)، که امکان استقرار در لبه را فراهم می‌کند.
• معماری‌های هیبریدی: توزیع بار کاری پویا در بین ماژول‌های CPU، GPU و FPGA حداکثر استفاده از منابع را بهینه می‌کند. به عنوان مثال، CPUها وظایف کنترلی را انجام می‌دهند، GPUها لایه‌های CNN را تسریع می‌کنند و FPGAها داده‌ها را پیش‌پردازش می‌کنند (به عنوان مثال، فیلتر کردن گابور).
• پیش‌پردازش داده‌ها: ماژول‌های سخت‌افزاری اختصاصی به بهبود تصویر مادون قرمز (کاهش نویز، تنظیم کنتراست) در ابتدا می‌پردازند و بار پردازنده اصلی را کاهش می‌دهند.

3. آموزش خاص دامنه و افزایش داده‌ها

• مجموعه داده‌ها: الگوریتم‌های آموزشی با داده‌های حرارتی حاشیه‌نویسی شده (به عنوان مثال، FLIR-ADAS، پیاده‌روی چندطیفی KAIST) استحکام را افزایش می‌دهند. شتاب‌دهنده‌های سخت‌افزاری برای پردازش کارآمد این مجموعه داده‌ها تنظیم شده‌اند.
•  داده‌های مصنوعی: تصاویر حرارتی شبیه‌سازی شده (به عنوان مثال، صحنه‌های مه‌آلود، انسدادهای شبانه) شکاف‌های داده‌های دنیای واقعی را پر کرده و تعمیم مدل را بهبود می‌بخشد.

تأثیرات واقعی و روندهای آینده

شتاب‌دهی سخت‌افزاری در حال تغییر شکل چشم‌انداز خودروسازی است:

• OEM Integration: سیستم رانندگی خودکار کامل (FSD) تسلا و پلتفرم‌های ADAS بی‌ام‌و از ترکیب GPU+FPGA برای بهبود تشخیص عابران پیاده استفاده می‌کنند.
•  ASIC های درجه خودروسازی: شرکت هایی مانند آمبارلا و هورایزن در حال توسعه چیپ های اختصاصی با هدف خودمختاری L3-L4 هستند که دارای خطوط پردازش مادون قرمز بهینه شده می باشند.
•  فناوری‌های نوظهور: محاسبات نورومورفیک و معماری‌های الهام‌گرفته از کوانتوم نوید افزایش عملکرد به میزان چندین برابر را می‌دهند.

نتیجه گیری

با هم‌افزایی الگوریتم‌های بهینه‌شده با سخت‌افزار تخصصی، ماژول‌های دوربین مادون قرمز نصب‌شده بر روی وسیله نقلیه می‌توانند تشخیص عابر پیاده را در زمان واقعی با حداقل مصرف انرژی انجام دهند. با پیشرفت ADAS و رانندگی خودکار، شتاب‌دهی سخت‌افزاری همچنان در تضمین ایمنی در تمام شرایط نوری حیاتی خواهد بود و راه را برای آینده‌ای هموار می‌کند که در آن وسایل نقلیه به‌طور یکپارچه از عابران پیاده محافظت می‌کنند.