Renesas Electronics Corporation, fornecedora de soluções avançadas de semicondutores, e Fixstars Corporation, fornecedora global de tecnologia de aceleração CPU/GPU/FPGA multi-core, anunciaram o desenvolvimento conjunto de um conjunto de ferramentas que permite otimização e simulação rápida de software para direção autônoma (AD) e sistemas avançados de assistência ao condutor (ADAS). A tecnologia foi projetada especificamente para os dispositivos R-Car system-on-chip (SoC) da Renesas.
Essas ferramentas permitem desenvolver rapidamente modelos de rede com reconhecimento de objetos altamente preciso desde o estágio inicial de desenvolvimento de software que aproveitam o desempenho do R-Car. Isso reduz o retrabalho pós-desenvolvimento e, portanto, ajuda a encurtar os ciclos de desenvolvimento.
“A Renesas continua a criar ambientes de desenvolvimento integrados que permitem aos clientes adotar a abordagem 'software first'”, disse Hirofumi Kawaguchi, vice-presidente da Divisão de Desenvolvimento de Software Automotivo da Renesas. “Ao apoiar o desenvolvimento de modelos de aprendizagem profunda adaptados ao R-Car, ajudamos nossos clientes a construir soluções AD e ADAS, ao mesmo tempo que reduzimos o tempo de lançamento no mercado e os custos de desenvolvimento.”
Os aplicativos AD e ADAS atuais usam aprendizado profundo para obter reconhecimento de objetos altamente preciso. O processamento de inferência de aprendizagem profunda requer grandes quantidades de cálculos de dados e capacidade de memória. Os modelos e programas executáveis em aplicações automotivas devem ser otimizados para um SoC automotivo, uma vez que o processamento em tempo real com unidades aritméticas e recursos de memória limitados pode ser uma tarefa desafiadora.
Além disso, o processo desde a avaliação do software até a verificação deve ser acelerado e as atualizações precisam ser aplicadas repetidamente para melhorar a precisão e o desempenho. Renesas e Fixstars desenvolveram as seguintes ferramentas projetadas para atender a essas necessidades.
“O GENESIS for R-Car, que é um ambiente de avaliação baseado em nuvem que construímos em conjunto com a Renesas, permite que os engenheiros avaliem e selecionem dispositivos no início dos ciclos de desenvolvimento e já foi usado por muitos clientes”, disse Satoshi Miki, CEO da Fixstars. “Continuaremos a desenvolver novas tecnologias para acelerar operações de aprendizado de máquina (MLOps) que podem ser usadas para manter as versões mais recentes de software em aplicações automotivas.”
1. Ferramenta R-Car Neural Architecture Search (NAS) — gera modelos de rede de aprendizado profundo que usam eficientemente o acelerador CNN (rede neural convolucional), DSP e memória no dispositivo R-Car. Isso permite que os engenheiros desenvolvam rapidamente modelos de rede leves que alcançam reconhecimento de objetos altamente preciso e tempo de processamento rápido, mesmo sem um profundo conhecimento ou experiência com a arquitetura R-Car.
2. Compilador R-Car DNN para compilar rede – converte modelos de rede otimizados em programas que podem aproveitar ao máximo o potencial de desempenho do R-Car. Ele converte modelos de rede em programas que podem ser executados rapidamente no CNN IP e também realiza otimização de memória para permitir SRAM de alta velocidade e capacidade limitada para maximizar seu desempenho.
3. Simulador R-Car DNN – pode ser usado para verificar rapidamente a operação de programas em um PC, em vez de no chip R-Car real. Usando esta ferramenta, os desenvolvedores podem gerar os mesmos resultados operacionais que seriam produzidos pelo R-Car. Se a precisão do reconhecimento do processamento de inferência for afetada durante o processo de tornar os modelos mais leves e otimizar os programas, os engenheiros poderão fornecer feedback imediato para o desenvolvimento do modelo, encurtando assim os ciclos de desenvolvimento.
Renesas e Fixstars continuarão a desenvolver software para aprendizagem profunda com o Automotive SW Platform Lab conjunto e a construir ambientes de operação que mantêm e melhoram a precisão e o desempenho do reconhecimento, atualizando continuamente os modelos de rede.
