Trenetako ikusmen artifizialeko sistemaren hardware bidezko azelerazioa

Abstract

Trenen automatizazioan beharrezkoa da ingurunearen informazioa hautemateko gai izango den sistema bat edukitzea: PER edo PERception modulua. Sentsoreetako datuak irakurri, prozesatu eta erabakiak hartzen dituen sistemari igortzeaz arduratzen den modulu horrek Polaris izena hartzen du CAF Signalling enpresan, eta ikusmen artifizialean oinarritzen du bere jarduna. Informazio-fluxu hori denbora errealeko aplikazioa da, gertaera eman denetik sistemak horren berri izan arte igarotako denbora kritikoa baita. Ziklo hori murrizteko, edo ziklo berean kalkulu gehiago egiteko (sentsore gehiagoren datuak prozesatzeko, adibidez), prozesuaren atalak optimizatu behar dira.

Proiektu honen helburua Polaris-eko objektuen detekzioko zatia optimizatzea da. Horretarako, erabiltzen diren hardware azeleragailuei eta une honetan PER sistemak darabilen Nvidia Jetson Xavier AGX gailuaren ezaugarriei buruzko ikerketa lan bat egin da, hasteko. Ateratako ondorioetan ikusi da gailu honetan egokiena Nvidiaren sare neuronalak optimizatzeko TensorRT liburutegia erabiltzea dela. Beraz, ondoren, CNN sareak optimizatu eta inferentzia gauzatzeko prozesua lan honetarako bereziki sortutako Casio azpimoduluan bildu da, Polaris-en integratu ahal izateko. Etorkizunean bestelako modeloetara hedatzea aurreikusi arren, momentuz YOLOv4 sarea optimizatu da, TensorRT-k eskaintzen duena beharrezko metodo eta CUDA kernelekin osatuz. Prozesu horri esker, detekzioetan antzeko kalitatea mantenduz errendimendua nabarmen hobetu da: inferentzia-denbora edo latentzia erdira murrizu da; beste hitzetan, emaria edo throughputa bikoiztea lortu da.