論文の概要: ProAI: An Efficient Embedded AI Hardware for Automotive Applications - a
Benchmark Study
- arxiv url: http://arxiv.org/abs/2108.05170v1
- Date: Wed, 11 Aug 2021 11:54:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-12 16:06:33.467377
- Title: ProAI: An Efficient Embedded AI Hardware for Automotive Applications - a
Benchmark Study
- Title(参考訳): ProAI: 自動車アプリケーションのための効率的な組み込みAIハードウェア - ベンチマークスタディ
- Authors: Sven Mantowsky, Falk Heuer, Syed Saqib Bukhari, Michael Keckeisen,
Georg Schneider
- Abstract要約: 我々は,マルチタスクDNNアーキテクチャ(Multitask-CenterNet)に基づいて,技術SBCの現状を比較し,議論する。
ProAIは性能と効率の優れた組み合わせを提供し、現代のワークステーションラップトップの約2倍のFPSを管理している。
- 参考スコア(独自算出の注目度): 0.1259953341639576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Development in the field of Single Board Computers (SBC) have been increasing
for several years. They provide a good balance between computing performance
and power consumption which is usually required for mobile platforms, like
application in vehicles for Advanced Driver Assistance Systems (ADAS) and
Autonomous Driving (AD). However, there is an ever-increasing need of more
powerful and efficient SBCs which can run power intensive Deep Neural Networks
(DNNs) in real-time and can also satisfy necessary functional safety
requirements such as Automotive Safety Integrity Level (ASIL). ProAI is being
developed by ZF mainly to run powerful and efficient applications such as
multitask DNNs and on top of that it also has the required safety certification
for AD. In this work, we compare and discuss state of the art SBC on the basis
of power intensive multitask DNN architecture called Multitask-CenterNet with
respect to performance measures such as, FPS and power efficiency. As an
automotive supercomputer, ProAI delivers an excellent combination of
performance and efficiency, managing nearly twice the number of FPS per watt
than a modern workstation laptop and almost four times compared to the Jetson
Nano. Furthermore, it was also shown that there is still power in reserve for
further and more complex tasks on the ProAI, based on the CPU and GPU
utilization during the benchmark.
- Abstract(参考訳): シングルボードコンピュータ(sbc)の分野における開発は、数年にわたって増加している。
それらは、Advanced Driver Assistance Systems(ADAS)とAutonomous Driving(AD)の車両におけるアプリケーションのような、モバイルプラットフォームで通常必要となる、コンピューティングパフォーマンスと消費電力のバランスが良い。
しかし、電力集約型ディープニューラルネットワーク(DNN)をリアルタイムに実行し、自動車安全統合レベル(ASIL)のような機能的安全要件を満たすことができる、より強力で効率的なSBCの必要性はますます高まっている。
ProAIは、主にマルチタスクDNNのような強力で効率的なアプリケーションを実行するためにZFによって開発されており、さらにADに必要な安全認証も備えている。
本稿では,マルチタスク・センタネットと呼ばれる電力集約型マルチタスクdnnアーキテクチャに基づいて,fpsや電力効率などの性能対策に関して,技術sbcの比較・議論を行う。
自動車用のスーパーコンピュータとして、proaiはパフォーマンスと効率の優れた組み合わせを提供し、1ワットあたりのfps数は現代のワークステーションラップトップの約2倍、jetson nanoの約4倍だ。
さらに、ベンチマーク中のCPUとGPUの使用量に基づいて、ProAIのさらに複雑なタスクにはまだ予備的なパワーがあることも示されている。
関連論文リスト
- FPGA-Based Neural Thrust Controller for UAVs [23.304588982050632]
本稿では,Artix-7 FPGAを搭載した,オープンソースのマイクロUAVプラットフォーム用の新しいハードウェアボードを提案する。
我々はRLベースの低レベルコントローラを実装することで、その機能を検証することに成功した。
論文 参考訳(メタデータ) (2024-03-27T15:52:54Z) - VEDLIoT -- Next generation accelerated AIoT systems and applications [4.964750143168832]
VEDLIoTプロジェクトは、分散人工知能(AIoT)アプリケーションのためのエネルギー効率のよいディープラーニング方法論の開発を目指している。
我々は,AIoTシステムに固有の安全性とセキュリティ問題に対処しながら,アルゴリズムの最適化に重点を置いた総合的なアプローチを提案する。
論文 参考訳(メタデータ) (2023-05-09T12:35:00Z) - Fast GraspNeXt: A Fast Self-Attention Neural Network Architecture for
Multi-task Learning in Computer Vision Tasks for Robotic Grasping on the Edge [80.88063189896718]
アーキテクチャと計算の複雑さが高いと、組み込みデバイスへのデプロイに適さない。
Fast GraspNeXtは、ロボットグルーピングのためのコンピュータビジョンタスクに埋め込まれたマルチタスク学習に適した、高速な自己認識型ニューラルネットワークアーキテクチャである。
論文 参考訳(メタデータ) (2023-04-21T18:07:14Z) - DL-DRL: A double-level deep reinforcement learning approach for
large-scale task scheduling of multi-UAV [65.07776277630228]
分割・征服フレームワーク(DCF)に基づく二重レベル深層強化学習(DL-DRL)手法を提案する。
特に,上層部DRLモデルにおけるエンコーダ・デコーダ構成ポリシネットワークを設計し,タスクを異なるUAVに割り当てる。
また、低レベルDRLモデルにおける別の注意に基づくポリシーネットワークを利用して、各UAVの経路を構築し、実行されたタスク数を最大化する。
論文 参考訳(メタデータ) (2022-08-04T04:35:53Z) - Romanus: Robust Task Offloading in Modular Multi-Sensor Autonomous
Driving Systems [9.21629452868642]
本稿では,マルチセンサ処理パイプラインを用いたモジュール型自律走行プラットフォームのための,堅牢で効率的なタスクオフロード手法を提案する。
我々のアプローチは、純粋な局所的な実行よりも14.99%エネルギー効率が高く、頑健な非依存のオフロードベースラインから77.06%のリスク行動の低減を実現している。
論文 参考訳(メタデータ) (2022-07-18T18:22:49Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳(メタデータ) (2021-10-04T19:41:42Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-05T23:55:44Z) - JUWELS Booster -- A Supercomputer for Large-Scale AI Research [79.02246047353273]
本稿では、最近J'ulich Supercomputing Centerに委託された高性能コンピューティングシステムであるJUWELS Boosterを紹介する。
システムアーキテクチャ、並列性、分散モデルトレーニング、その優れたパフォーマンスを示すベンチマークについて詳述する。
論文 参考訳(メタデータ) (2021-06-30T21:37:02Z) - Tackling Variabilities in Autonomous Driving [15.374442918002813]
可変性のある自動運転タスクのためのハードウェア基板を提供するために、新しい異種マルチコアAIアクセラレータ(HMAI)を提案します。
また,タスクマッピング問題を解決するために,深層強化学習(RL)に基づくタスクスケジューリング機構FlexAIを提案する。
論文 参考訳(メタデータ) (2021-04-21T08:51:40Z) - Hardware and Software Optimizations for Accelerating Deep Neural
Networks: Survey of Current Trends, Challenges, and the Road Ahead [14.313423044185583]
本稿では,deep neural network (dnn) のような脳にインスパイアされた2つのモデルの重要な特性について紹介する。
DLモデルの単一推論は数十億の乗算および累積演算を必要とする可能性があるため、DLは非常に計算量とエネルギーを消費する。
論文 参考訳(メタデータ) (2020-12-21T10:27:48Z) - Optimizing Deep Learning Recommender Systems' Training On CPU Cluster
Architectures [56.69373580921888]
クラウドコンピューティングセンターのAIサイクルの大部分を占めるRecommender Systemsに注目します。
HPC用に調整された最新のCPUハードウェアとソフトウェア上で動作可能にすることで、パフォーマンスの2桁以上の改善を達成できます。
論文 参考訳(メタデータ) (2020-05-10T14:40:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。