論文の概要: NPU-Accelerated GNSS Signal Acquisition
- arxiv url: http://arxiv.org/abs/2611.18186v1
- Date: Fri, 13 Nov 2026 13:56:19 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:25:25.960874
- Title: NPU-Accelerated GNSS Signal Acquisition
- Title(参考訳): NPU加速型GNSS信号取得
- Abstract要約: 小型シングルボードコンピュータ(SBC)では、信号取得が主要なCPU負荷である。
本稿では,信号取得における並列コード探索のアクセラレータとして,SBCのニューラル処理ユニット(NPU)を提案する。
限られたCPUリソースを持つSBC上でNPUを使用することは、信号の取得と追跡の両方を達成するのに有効であることを示す。
- 参考スコア(独自算出の注目度): 4.56877715768796
- License:
- Abstract: On small single-board computers (SBCs), GNSS signal acquisition is a major CPU load. This paper proposes using the neural processing unit (NPU) of an SBC not for machine learning but as an accelerator for the parallel code search in GNSS signal acquisition. The discrete Fourier transform (DFT) used in acquisition is decomposed by the four-step DFT into matrix products of small DFTs and expressed by $1\times1$ convolutions, element-wise products, and transposes, which NPUs execute efficiently. Furthermore, we propose a method that divides the DFT, the non-coherent integration, and the peak detection between the CPU and the NPU according to the configuration of the NPU (an NPU with its own memory connected via PCIe, or an NPU sharing memory with the CPU). The proposed method is implemented in the open-source software GNSS receiver Pocket SDR and evaluated on a Raspberry Pi 5 combined with the external AX8850 NPU and on the NPU built into the SoC (RK3588) of the ROCK 5C, a small SBC of comparable size. Compared with acquisition by an optimized CPU implementation, the acquisition of short codes on the Raspberry Pi 5 with the AX8850 is 3.0-3.8 times faster. In the evaluation of the whole receiver, the number of tracking channels that reach their first lock within 30 s with the NPU is 1.5 times that with the CPU, and the time until 90% of the channels are locked is reduced from 66 s to 26 s. Furthermore, because the CPU load of acquisition is reduced, the number of tracking channels that can be processed in real time increases from about 175 to about 230. These results show that using the NPU on SBCs with limited CPU resources is effective for achieving both GNSS signal acquisition and tracking. The implementation is publicly available as open source under the name PocketSDR-NPU.
- Abstract(参考訳): 小型シングルボードコンピュータ(SBC)では、GNSS信号の取得が主要なCPU負荷である。
本稿では,SBCのニューラル処理ユニット(NPU)を機械学習ではなく,GNSS信号取得における並列コード探索のアクセラレータとして用いることを提案する。
取得に使用される離散フーリエ変換(DFT)は、4段階のDFTによって小さなDFTの行列積に分解され、1\times1$の畳み込み、要素単位の積、転置によって表現され、NPUは効率的に実行する。
さらに,NPUの構成に応じて,DFT,非コヒーレントな統合,ピーク検出をCPUとNPUに分割する手法を提案する。
提案手法はオープンソースのソフトウェア GNSS 受信機 Pocket SDR に実装され,外部の AX8850 NPU と組み合わせたRaspberry Pi 5 と同等サイズの小型 SBC ROCK 5C の SoC (RK3588) に組み込まれた NPU で評価される。
最適化されたCPU実装による買収と比較して、Raspberry Pi 5の短いコードとAX8850の取得は3.0-3.8倍高速である。
受信機全体の評価では、NPUで30秒以内に最初のロックに達するトラッキングチャネルの数はCPUの1.5倍であり、チャネルの90%がロックされるまでの時間は66秒から26秒に短縮される。
さらに、取得のCPU負荷が低減されるため、リアルタイムに処理可能なトラッキングチャネルの数が約175から約230へと増加する。
これらの結果から,CPU資源が限られているSBC上でNPUを用いることは,GNSS信号の取得と追跡に有効であることが示唆された。
この実装はPocketSDR-NPUという名前でオープンソースとして公開されている。
関連論文リスト
- Ascend-RaBitQ: Heterogeneous NPU-CPU Acceleration of Billion-Scale Similarity Search with 1-bit Quantization [18.17338809219932]
In this present Ascend-RaBitQ, a first heterogeneous NPU- CPU optimized IVF-RaBitQ system for billion-scale vector search。
3段階のヘテロジニアスパイプラインは、1ビット量子化されたベクトル上でのAI Coreアクセラレーション粗いランク付け、オンデバイスAI CPU Top-k処理、フル精度ベクトル上でのホストCPUファインランク付けを含む。
Ascend-RaBitQは、CPUベースラインよりも3.0*から62.8*高速なインデックス構築、最速のCPU IVF-RaBitQ実装よりも4.6*スループットの改善、数学的に等価なCPUより100*以上を実現している。
論文 参考訳(メタデータ) (2026-05-15T14:37:18Z) - Efficient Mixture-of-Experts LLM Inference with Apple Silicon NPUs [5.431496585727341]
本稿では,Apple Silicon上でのMoE実行を高速化するランタイム推論エンジンであるNPUMoEを提案する。
NPUMoEはベースラインを一貫して上回り、レイテンシを1.32x-5.55xに、エネルギー効率を1.81x-7.37xに、CPUサイクルを1.78x-5.54xに減らした。
論文 参考訳(メタデータ) (2026-04-20T19:52:56Z) - Evaluating the Energy Efficiency of NPU-Accelerated Machine Learning Inference on Embedded Microcontrollers [0.0]
本稿では、ニューラルネットワークユニット(NPU)が機械学習(ML)の実行とマイクロコントローラ(MCU)に与える影響を評価する。
推論をNPUにオフロードすると、かなりの効率が向上する。
中程度のネットワークから大規模なネットワークでは、レイテンシの改善は7倍から125倍を超え、参照毎のネットエネルギーは143倍まで削減された。
論文 参考訳(メタデータ) (2025-09-22T08:52:54Z) - SCE-NTT: A Hardware Accelerator for Number Theoretic Transform Using Superconductor Electronics [12.616265554244313]
本研究では, 超伝導エレクトロニクス(SCE)を用いた完全同相暗号(FHE)の高速化について検討する。
本稿では,超伝導単一フラックス量子(SFQ)論理とメモリに基づく専用ハードウェアアクセラレータであるSCE-NTTを紹介する。
我々はNTT-128ユニットが34GHzで531万NTT/secを達成することを示す。
論文 参考訳(メタデータ) (2025-08-28T23:37:51Z) - Implementing Keyword Spotting on the MCUX947 Microcontroller with Integrated NPU [0.0]
本稿では,NPUを用いたMCXN947マイクロコントローラ上に実装されたキーワードスポッティング(KWS)システムを提案する。
このシステムは、MFCCの機能抽出とCNNを組み合わせて、Quantization Aware Trainingを使って最適化し、最小限の精度でモデルサイズを削減する。
実験結果は、CPUのみの実行と比較して、NPUを利用する場合の推測時間の59倍の高速化を示す。
論文 参考訳(メタデータ) (2025-06-10T15:38:21Z) - Spiker+: a framework for the generation of efficient Spiking Neural
Networks FPGA accelerators for inference at the edge [49.42371633618761]
Spiker+はFPGA上で、エッジでの推論のために効率よく、低消費電力で、低領域でカスタマイズされたSpking Neural Networks(SNN)アクセラレータを生成するためのフレームワークである。
Spiker+ は MNIST と Spiking Heidelberg Digits (SHD) の2つのベンチマークデータセットでテストされている。
論文 参考訳(メタデータ) (2024-01-02T10:42:42Z) - DeepGEMM: Accelerated Ultra Low-Precision Inference on CPU Architectures
using Lookup Tables [49.965024476651706]
DeepGEMMはSIMDハードウェア上で超高精度畳み込みニューラルネットワークを実行するためのルックアップテーブルベースのアプローチである。
実装は、x86プラットフォーム上で、対応する8ビット整数カーネルを最大1.74倍の性能で上回る。
論文 参考訳(メタデータ) (2023-04-18T15:13:10Z) - Attention-based Feature Compression for CNN Inference Offloading in Edge
Computing [93.67044879636093]
本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。
エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。
実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
論文 参考訳(メタデータ) (2022-11-24T18:10:01Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Sub-bit Neural Networks: Learning to Compress and Accelerate Binary
Neural Networks [72.81092567651395]
Sub-bit Neural Networks (SNN) は、BNNの圧縮と高速化に適した新しいタイプのバイナリ量子化設計である。
SNNは、微細な畳み込みカーネル空間におけるバイナリ量子化を利用するカーネル対応最適化フレームワークで訓練されている。
ビジュアル認識ベンチマークの実験とFPGA上でのハードウェア展開は、SNNの大きな可能性を検証する。
論文 参考訳(メタデータ) (2021-10-18T11:30:29Z) - Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian
Detection [99.94079901071163]
本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。
我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。
我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
論文 参考訳(メタデータ) (2020-04-03T17:36:26Z)
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。