Ces outils permettent de développer des modèles de réseaux de reconnaissance d'objets très précis dès les premières étapes du développement logiciel, en tirant parti des capacités du véhicule d'essai (R-Car). Cela réduit le travail post-développement et contribue ainsi à raccourcir les cycles de développement.
«GENESIS pour R-Car, un environnement d'évaluation basé sur le cloud que nous avons co-développé avec Renesas, permet aux ingénieurs d'évaluer et de sélectionner les dispositifs plus tôt dans le cycle de développement et a déjà été utilisé par de nombreux clients», a déclaré Satoshi Miki, PDG de Fixstars. « Nous continuerons à développer de nouvelles technologies pour accélérer les opérations d'apprentissage automatique (MLOps) qui peuvent être utilisées pour maintenir les dernières versions logicielles dans les applications automobiles. »
Les applications actuelles de conduite autonome (AD) et d'aide à la conduite (ADAS) utilisent l'apprentissage profond pour obtenir une reconnaissance d'objets très précise. Le traitement d'inférence de l'apprentissage profond nécessite d'énormes quantités de calcul et de capacité de mémoire. Les modèles et les programmes exécutables dans les applications automobiles doivent être optimisés pour un SoC automobile, car le traitement en temps réel avec des unités arithmétiques et des ressources mémoire limitées peut s'avérer complexe. De plus, le processus d'évaluation et de vérification du logiciel doit être accéléré, et des mises à jour doivent être appliquées de manière continue pour améliorer la précision et les performances. Renesas et Fixstars ont développé les outils suivants pour répondre à ces besoins :
1. L’outil R-Car Neural Architecture Search (NAS) pour la génération de modèles de réseaux optimisés pour R-Car.
Cet outil génère des modèles de réseaux d’apprentissage profond qui exploitent efficacement l’accélérateur CNN (réseau neuronal convolutif), le DSP et la mémoire du dispositif R-Car. Les ingénieurs peuvent ainsi développer des modèles de réseaux légers offrant une reconnaissance d’objets de haute précision et des temps de traitement rapides, même sans connaissance approfondie de l’architecture R-Car.
2. Compilateur DNN R-Car pour la compilation de modèles de réseaux pour R-Car :
Ce compilateur convertit les modèles de réseaux optimisés en programmes capables d'exploiter pleinement le potentiel de performance de R-Car. Il transforme les modèles de réseaux en programmes exécutables rapidement sur le CNN IP et optimise la mémoire afin de permettre à la SRAM haute vitesse à capacité limitée d'atteindre ses performances maximales.
3. Simulateur DNN R-Car pour la simulation rapide des programmes compilés :
Ce simulateur permet de vérifier le bon fonctionnement des programmes sur un PC, plutôt que directement sur la puce R-Car. Grâce à cet outil, les développeurs peuvent reproduire les résultats opérationnels de R-Car. Si la précision de reconnaissance du processus d'inférence est affectée lors de l'allègement du modèle et de l'optimisation du programme, les ingénieurs peuvent fournir un retour d'information immédiat à l'équipe de développement, raccourcissant ainsi les cycles de développement.
Renesas et Fixstars poursuivront le développement de logiciels d'apprentissage profond au sein du laboratoire commun « Automotive SW Platform Lab » et mettront en place des environnements d'exploitation qui maintiennent et améliorent la précision et les performances de reconnaissance grâce à des mises à jour continues des modèles de réseaux.
Disponibilité :
Le premier ensemble d'outils disponible aujourd'hui est conçu pour le SoC R-Car V4H pour les applications AD et ADAS, combinant des performances d'apprentissage profond puissantes allant jusqu'à 34 téra-opérations par seconde (TOPS) avec une efficacité énergétique supérieure.
