Diese Tools ermöglichen die Entwicklung hochpräziser Netzwerkmodelle zur Objekterkennung bereits in frühen Phasen der Softwareentwicklung und nutzen dabei die Fähigkeiten des R-Car. Dies reduziert den Nachbearbeitungsaufwand und verkürzt somit die Entwicklungszyklen.
„GENESIS für R-Car, eine gemeinsam mit Renesas entwickelte Cloud-basierte Evaluierungsumgebung, ermöglicht es Ingenieuren, Geräte frühzeitig im Entwicklungszyklus zu evaluieren und auszuwählen und wird bereits von vielen Kunden eingesetzt“, so Satoshi Miki, CEO von Fixstars. „Wir werden weiterhin neue Technologien entwickeln, um Machine-Learning-Operationen (MLOps) zu beschleunigen und so die neuesten Softwareversionen in Automobilanwendungen bereitzustellen.“
Aktuelle AD- und ADAS-Anwendungen nutzen Deep Learning für eine hochpräzise Objekterkennung. Die Inferenzverarbeitung von Deep Learning erfordert enorme Datenmengen und Speicherkapazität. Modelle und ausführbare Programme in Automobilanwendungen müssen für ein Automotive-SoC optimiert werden, da die Echtzeitverarbeitung mit begrenzten Recheneinheiten und Speicherressourcen eine Herausforderung darstellt. Darüber hinaus muss der Prozess von der Softwareevaluierung bis zur Verifizierung beschleunigt und Updates wiederholt angewendet werden, um Genauigkeit und Leistung zu verbessern. Renesas und Fixstars haben die folgenden Tools entwickelt, um diese Anforderungen zu erfüllen:
1. Das R-Car Neural Architecture Search (NAS) Tool zur Generierung von für R-Car optimierten Netzwerkmodellen.
Dieses Tool generiert Deep-Learning-Netzwerkmodelle, die den CNN-Beschleuniger (Convolutional Neural Network), den DSP und den Speicher des R-Car-Geräts effizient nutzen. Dadurch können Ingenieure ressourcenschonende Netzwerkmodelle entwickeln, die eine hochpräzise Objekterkennung und schnelle Verarbeitungszeiten ermöglichen – auch ohne tiefgreifende Kenntnisse oder Erfahrung mit der R-Car-Architektur.
2. R-Car DNN-Compiler zur Kompilierung von Netzwerkmodellen für R-Car:
Dieser Compiler wandelt optimierte Netzwerkmodelle in Programme um, die das Leistungspotenzial von R-Car voll ausschöpfen. Er transformiert Netzwerkmodelle in Programme, die schnell auf dem IP-CNN ausgeführt werden können, und optimiert zudem den Speicher, um die Leistung des schnellen SRAM mit begrenzter Kapazität zu maximieren.
3. R-Car DNN-Simulator zur schnellen Simulation kompilierter Programme:
Mit diesem Simulator kann die Programmfunktionalität auf einem PC anstatt auf dem R-Car-Chip selbst überprüft werden. Entwickler können mit diesem Tool dieselben Betriebsergebnisse erzielen wie mit R-Car. Sollte die Erkennungsgenauigkeit des Inferenzprozesses während der Modelloptimierung beeinträchtigt werden, können Ingenieure dem Modellentwicklungsteam umgehend Feedback geben und so die Entwicklungszyklen verkürzen.
Automotive SW Platform Lab “ weiterhin Deep-Learning-Software entwickeln und Betriebsumgebungen schaffen, die die Erkennungsgenauigkeit und -leistung durch kontinuierliche Netzwerkmodellaktualisierungen erhalten und verbessern.
Verfügbarkeit:
Das erste heute verfügbare Toolset ist für den R-Car V4H SoC für AD- und ADAS-Anwendungen konzipiert und kombiniert eine leistungsstarke Deep-Learning-Performance von bis zu 34 Tera-Operationen pro Sekunde (TOPS) mit überlegener Energieeffizienz.
