Renesas Electronics Corporation, un proveedor de soluciones avanzadas de semiconductores, y Fixstars Corporation, un proveedor global de tecnología de aceleración CPU/GPU/FPGA multinúcleo, anunciaron el desarrollo conjunto de un conjunto de herramientas que permite una rápida optimización y simulación de software para la conducción autónoma ( AD) y sistemas avanzados de asistencia al conductor (ADAS). La tecnología fue diseñada específicamente para los dispositivos de sistema en chip (SoC) R-Car de Renesas.
Estas herramientas le permiten desarrollar rápidamente modelos de red con reconocimiento de objetos de alta precisión desde la etapa inicial del desarrollo de software que aprovechan el rendimiento de R-Car. Esto reduce el retrabajo posterior al desarrollo y, por lo tanto, ayuda a acortar los ciclos de desarrollo.
"Renesas continúa creando entornos de desarrollo integrados que permiten a los clientes adoptar un enfoque de 'software primero'", dijo Hirofumi Kawaguchi, vicepresidente de la División de Desarrollo de Software Automotriz de Renesas. "Al respaldar el desarrollo de modelos de aprendizaje profundo adaptados a R-Car, ayudamos a nuestros clientes a crear soluciones AD y ADAS al tiempo que reducimos el tiempo de comercialización y los costos de desarrollo".
Las aplicaciones AD y ADAS actuales utilizan el aprendizaje profundo para lograr un reconocimiento de objetos altamente preciso. El procesamiento de inferencias de aprendizaje profundo requiere grandes cantidades de cálculos de datos y capacidad de memoria. Los modelos y programas ejecutables en aplicaciones automotrices deben optimizarse para un SoC automotriz, ya que el procesamiento en tiempo real con unidades aritméticas y recursos de memoria limitados puede ser una tarea desafiante.
Además, se debe acelerar el proceso desde la evaluación del software hasta la verificación y se deben aplicar actualizaciones repetidamente para mejorar la precisión y el rendimiento. Renesas y Fixstars han desarrollado las siguientes herramientas diseñadas para satisfacer estas necesidades.
"GENESIS para R-Car, que es un entorno de evaluación basado en la nube que creamos junto con Renesas, permite a los ingenieros evaluar y seleccionar dispositivos en las primeras etapas de los ciclos de desarrollo y ya ha sido utilizado por muchos clientes", dijo Satoshi Miki, director ejecutivo de Fixstars. "Continuaremos desarrollando nuevas tecnologías para acelerar las operaciones de aprendizaje automático (MLOps) que pueden usarse para mantener las últimas versiones de software en aplicaciones automotrices".
1. Herramienta de búsqueda de arquitectura neuronal (NAS) R-Car: genera modelos de red de aprendizaje profundo que utilizan de manera eficiente el acelerador CNN (red neuronal convolucional), DSP y la memoria en el dispositivo R-Car. Esto permite a los ingenieros desarrollar rápidamente modelos de red livianos que logran un reconocimiento de objetos altamente preciso y un tiempo de procesamiento rápido, incluso sin un conocimiento o experiencia profundos con la arquitectura R-Car.
2. Compilador DNN de R-Car para compilar red: convierte modelos de red optimizados en programas que pueden aprovechar al máximo el potencial de rendimiento de R-Car. Convierte modelos de red en programas que se pueden ejecutar rápidamente en CNN IP y también realiza optimización de memoria para permitir que SRAM de alta velocidad y capacidad limitada maximice su rendimiento.
3. Simulador DNN de R-Car: se puede utilizar para verificar rápidamente el funcionamiento de los programas en una PC en lugar de hacerlo en el chip R-Car real. Con esta herramienta, los desarrolladores pueden generar los mismos resultados operativos que produciría R-Car. Si la precisión del reconocimiento del procesamiento de inferencia se ve afectada durante el proceso de aligerar modelos y optimizar programas, los ingenieros pueden proporcionar retroalimentación inmediata para el desarrollo del modelo, acortando así los ciclos de desarrollo.
Renesas y Fixstars continuarán desarrollando software para aprendizaje profundo con el Automotive SW Platform Lab conjunto y crearán entornos operativos que mantengan y mejoren la precisión y el rendimiento del reconocimiento mediante la actualización continua de los modelos de red.
