Questi strumenti consentono lo sviluppo di modelli di rete per il riconoscimento di oggetti altamente accurati fin dalle prime fasi dello sviluppo software, sfruttando le capacità di R-Car. Ciò riduce il lavoro post-sviluppo e contribuisce quindi ad accorciare i cicli di sviluppo.
"GENESIS for R-Car, un ambiente di valutazione basato su cloud che abbiamo sviluppato in collaborazione con Renesas, consente agli ingegneri di valutare e selezionare i dispositivi in una fase più precoce del ciclo di sviluppo ed è già stato utilizzato da molti clienti", ha affermato Satoshi Miki, CEO di Fixstars. "Continueremo a sviluppare nuove tecnologie per accelerare le operazioni di machine learning (MLOps) che possono essere utilizzate per mantenere aggiornate le versioni software nelle applicazioni automotive."
Le attuali applicazioni AD e ADAS utilizzano il deep learning per ottenere un riconoscimento degli oggetti altamente accurato. L'elaborazione inferenziale del deep learning richiede enormi quantità di dati, calcoli e capacità di memoria. I modelli e i programmi eseguibili nelle applicazioni automotive devono essere ottimizzati per un SoC automotive, poiché l'elaborazione in tempo reale con unità aritmetiche e risorse di memoria limitate può essere complessa. Inoltre, il processo dalla valutazione alla verifica del software deve essere accelerato e gli aggiornamenti devono essere applicati ripetutamente per migliorare la precisione e le prestazioni. Renesas e Fixstars hanno sviluppato i seguenti strumenti progettati per soddisfare queste esigenze:
1. Lo strumento R-Car Neural Architecture Search (NAS) per la generazione di modelli di rete ottimizzati per R-Car.
Questo strumento genera modelli di rete di deep learning che utilizzano in modo efficiente l'acceleratore CNN (rete neurale convoluzionale), il DSP e la memoria del dispositivo R-Car. Ciò consente agli ingegneri di sviluppare modelli di rete leggeri che raggiungono un riconoscimento degli oggetti ad alta precisione e tempi di elaborazione rapidi, anche senza una conoscenza approfondita o esperienza con l'architettura di R-Car.
2. Compilatore DNN R-Car per la compilazione di modelli di rete per R-Car:
questo compilatore converte modelli di rete ottimizzati in programmi in grado di sfruttare appieno il potenziale prestazionale di R-Car. Trasforma i modelli di rete in programmi che possono essere eseguiti rapidamente sulla CNN IP ed esegue anche l'ottimizzazione della memoria per consentire alla SRAM ad alta velocità e capacità limitata di massimizzare le sue prestazioni.
3. Simulatore DNN R-Car per la simulazione rapida di programmi compilati:
questo simulatore può essere utilizzato per verificare la funzionalità del programma su un PC, anziché sul chip R-Car stesso. Con questo strumento, gli sviluppatori possono generare gli stessi risultati operativi che produrrebbe R-Car. Se l'accuratezza del riconoscimento del processo di inferenza viene compromessa durante il processo di alleggerimento del modello e di ottimizzazione del programma, gli ingegneri possono fornire un feedback immediato al team di sviluppo del modello, accorciando così i cicli di sviluppo.
Renesas e Fixstars continueranno a sviluppare software di deep learning con il laboratorio congiunto "Automotive SW Platform Lab" e creeranno ambienti operativi che mantengano e migliorino l'accuratezza e le prestazioni del riconoscimento attraverso continui aggiornamenti del modello di rete.
Disponibilità:
Il primo set di strumenti disponibile oggi è progettato per il SoC R-Car V4H per applicazioni AD e ADAS, combinando potenti prestazioni di deep learning fino a 34 tera operazioni al secondo (TOPS) con un'efficienza energetica superiore.
