Аппаратное ускорение для обнаружения пешеходов в монтируемых на транспортных средствах инфракрасных камерах: 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 that there is no text provided for translation. Please provide the text you would like me to translate 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), сверточные 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 транспортных средствах (ЭТС).
• Экологическая изменчивость: Алгоритмы должны адаптироваться к разнообразным условиям (например, дождь, туман, препятствия, 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 реального времени CNN вывода. 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 конвейеров). Индивидуальные проекты FPGA могут снизить задержку до 50% по сравнению с ЦП.
• Приложения-специфические интегральные схемы (ASIC): Индивидуально разработанные чипы (например, Mobileye EyeQ) достигают оптимального соотношения производительности на ватт, балансируя скорость и энергоэффективность.

2. Алгоритмическое и аппаратное со-дизайн

•  Оптимизация модели: Техники, такие как обрезка, квантизация и дистилляция знаний, сжимают модели CNN (например, уменьшая размер на 80% при сохранении точности), что позволяет развертывание 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, специфичное для домена, 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, сцены с туманом, 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 процессинг-пайплайнами.
•  Новые технологии: Нейроморфные вычисления и архитектуры, вдохновленные квантовыми технологиями, показывают 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.