Estas ferramentas permitem o desenvolvimento de modelos de redes de reconhecimento de objetos altamente precisos desde as fases iniciais do desenvolvimento de software, aproveitando as capacidades do R-Car. Isto reduz o trabalho pós-desenvolvimento e, consequentemente, ajuda a encurtar os ciclos de desenvolvimento.
"O GENESIS for R-Car, um ambiente de avaliação baseado na cloud que desenvolvemos em conjunto com a Renesas, permite aos engenheiros avaliar e selecionar dispositivos mais cedo no ciclo de desenvolvimento e já está a ser utilizado por muitos clientes", afirmou Satoshi Miki, CEO da Fixstars. "Continuaremos a desenvolver novas tecnologias para acelerar as operações de aprendizagem automática (MLOps) que podem ser utilizadas para manter as versões de software mais recentes em aplicações automóveis".
As aplicações atuais de condução autónoma (AD) e os sistemas avançados de assistência ao condutor (ADAS) utilizam a aprendizagem profunda para alcançar um reconhecimento de objetos altamente preciso. O processamento de inferência de aprendizagem profunda requer grandes quantidades de computação de dados e capacidade de memória. Os modelos e programas executáveis nas aplicações automóveis devem ser otimizados para um SoC automóvel, uma vez que o processamento em tempo real com unidades aritméticas e recursos de memória limitados pode ser um desafio. Além disso, o processo de avaliação e verificação do software deve ser acelerado, e as atualizações devem ser aplicadas repetidamente para melhorar a precisão e o desempenho. A Renesas e a Fixstars desenvolveram as seguintes ferramentas para satisfazer estas necessidades:
1. A ferramenta R-Car Neural Architecture Search (NAS) para gerar modelos de rede otimizados para o R-Car.
Esta ferramenta gera modelos de rede de aprendizagem profunda que utilizam eficientemente o acelerador CNN (rede neural convolucional), o DSP e a memória do dispositivo R-Car. Isto permite aos engenheiros desenvolver modelos de rede leves que conseguem um reconhecimento de objetos de alta precisão e tempos de processamento rápidos, mesmo sem conhecimento ou experiência aprofundados com a arquitetura do R-Car.
2.º Compilador R-Car DNN para compilação de modelos de rede para o R-Car:
Este compilador converte modelos de rede otimizados em programas que podem tirar o máximo partido do potencial de desempenho do R-Car. Transforma os modelos de rede em programas que podem ser executados rapidamente na CNN IP e também realiza a otimização da memória para permitir que a SRAM de alta velocidade e capacidade limitada maximize o seu desempenho.
3.º Simulador R-Car DNN para simulação rápida de programas compilados:
Este simulador pode ser utilizado para verificar a funcionalidade do programa num PC, em vez de no próprio chip R-Car. Com esta ferramenta, os programadores podem gerar os mesmos resultados operacionais que o R-Car produziria. Se a precisão do reconhecimento do processo de inferência for afetada durante o processo de redução de escala do modelo e otimização do programa, os engenheiros podem fornecer feedback imediato à equipa de desenvolvimento do modelo, reduzindo assim os ciclos de desenvolvimento.
A Renesas e a Fixstars continuarão a desenvolver software de aprendizagem profunda com o "Laboratório Conjunto de Plataforma de Software Automóvel" e construirão ambientes operacionais que mantenham e melhorem a precisão e o desempenho do reconhecimento através de atualizações contínuas do modelo de rede.
Disponibilidade:
O primeiro conjunto de ferramentas atualmente disponível foi concebido para o SoC R-Car V4H para aplicações de condução autónoma e sistemas avançados de assistência ao condutor, combinando um poderoso desempenho de aprendizagem profunda de até 34 tera operações por segundo (TOPS) com uma eficiência energética superior.
