安旭陽， 蘇治寶， 杜志岐， 李兆冬

(中國北方車輛研究所， 北京 100072)

地面無人平臺(tái)在實(shí)際作戰(zhàn)環(huán)境中，要求能夠檢測人員或裝甲車輛目標(biāo)信息。傳統(tǒng)目標(biāo)檢測算法主要以手工設(shè)計(jì)的特征描述子對(duì)目標(biāo)外觀建模，利用SVM對(duì)候選目標(biāo)分類，常用的特征描述子有SIFT[1]、HOG[2]和LBP[3]。與傳統(tǒng)算法相比，深度學(xué)習(xí)算法不需要手動(dòng)選擇特征，具備良好的特征提取能力，檢測精度顯著提高。2014年，Grishick等[4]首次將 CNN引入目標(biāo)檢測任務(wù)，提出R-CNN網(wǎng)絡(luò)，采用選擇性搜索算法提取圖像的候選框，利用AlexNet網(wǎng)絡(luò)[5]對(duì)候選框進(jìn)行特征提取，最后通過SVM和回歸確定目標(biāo)位置和種類，速度為0.03 fps。雙階段目標(biāo)檢測算法檢測精度較高，但檢測速度較低，主要有SSP-Net[6]、Fast R-CNN[7]、Mask R-CNN[8]等。2016年，Redmon等[9]提出YOLO系列網(wǎng)絡(luò)，在CNN中實(shí)現(xiàn)候選框生成、特征提取、回歸，簡化模型復(fù)雜度，速度可達(dá)45fps。Liu等[10]提出SSD網(wǎng)絡(luò)，以VGG作為骨干網(wǎng)絡(luò)，新增卷積層在3個(gè)不同尺度上進(jìn)行檢測，平衡檢測速度和精度。單階段目標(biāo)檢測算法通常具有較高的實(shí)時(shí)性，但檢測精度有待提高，主要有YOLO系列[9,11,12]、SSD系列[10]、CornerNet[13]、CenterNet[14]等。

地面無人平臺(tái)的智能化除需要強(qiáng)大的軟件算法支撐，也需要能夠承載龐大運(yùn)算量的硬件平臺(tái)。國外特斯拉的FSD芯片算力144TOPS，典型功耗72 W，主要用于自己的量產(chǎn)車型。英偉達(dá)Xavier算力30TOPS，典型功耗30 W。國內(nèi)地平線的征程二代芯片算力4TOPS，典型功耗2 W，可用于道路檢測。寒武紀(jì)的MLU100芯片，算力高達(dá)128TOPS，典型功耗20 W，具有“高性能”、“低功耗”特點(diǎn)，可用于圖像識(shí)別等。

隨著地面無人作戰(zhàn)平臺(tái)關(guān)鍵技術(shù)的不斷突破，開展裝備型號(hào)研制是必然趨勢(shì)和預(yù)期。為此，本文以裝備國產(chǎn)化自主可控需求和要求為牽引與驅(qū)動(dòng)，開展了寒武紀(jì)智能加速卡在地面無人平臺(tái)上的應(yīng)用研究，完成目標(biāo)檢測算法YOLOv3/SSD在寒武紀(jì)架構(gòu)MLUv01的移植部署，通過實(shí)車實(shí)驗(yàn)測試和驗(yàn)證智能加速卡的性能，為未來裝備型號(hào)研制提供支撐。為此，本研究重點(diǎn)解決以下問題：① 目標(biāo)檢測算法環(huán)境適配；② 相機(jī)/激光雷達(dá)數(shù)據(jù)融合；③ 評(píng)價(jià)指標(biāo)體系的構(gòu)建。

1 MLU100智能加速卡

1.1 MLU100

MLU100智能加速卡是中科院寒武紀(jì)公司推出的第一款智能處理板卡，采用1H8/1H16混合多核架構(gòu)，內(nèi)存集成了相應(yīng)的圖形計(jì)算單元和片上緩存結(jié)構(gòu)。相比其他GPU產(chǎn)品，采用針對(duì)深度學(xué)習(xí)算法特點(diǎn)定制的指令集和體系架構(gòu)，具有高性能、低功耗優(yōu)勢(shì)，支持圖像識(shí)別、自然語言處理等人工智能技術(shù)應(yīng)用[15]。

1.2 運(yùn)行模式

寒武紀(jì)加速卡支持在線模式和離線模式運(yùn)行，如圖1所示。其中，在線模式依賴第三方深度學(xué)習(xí)框架，如Caffe、TensorFlow和MXNet等，部署前需要調(diào)用機(jī)器學(xué)習(xí)庫CNML(Cambricon Neuware Machine Learning Library)解析、編譯生成模型數(shù)據(jù)文件，算法調(diào)試比較方便；而離線模式基于寒武紀(jì)開發(fā)的底層API，即運(yùn)行時(shí)庫CNRT(Cambricon Neuware Runtime Library)，部署時(shí)直接調(diào)用離線模型文件，省略解析、編譯過程，算法執(zhí)行效率更高。

圖1 MLU100運(yùn)行模式框圖

1.3 硬件結(jié)構(gòu)與特性

寒武紀(jì)智能加速卡采用多核架構(gòu)，本文使用的MLU100 D2加速卡共有4個(gè)核。程序運(yùn)行可以調(diào)用單個(gè)或多個(gè)核進(jìn)行推理計(jì)算，根據(jù)調(diào)用的方式不同，可分為數(shù)據(jù)并行和模型并行，兩者可以獨(dú)立運(yùn)行也可同時(shí)運(yùn)行。

數(shù)據(jù)并行度是指將圖片數(shù)據(jù)集拆分到不同核上進(jìn)行并行推理計(jì)算，每個(gè)核共享目標(biāo)識(shí)別算法的模型和權(quán)重，即一次處理多張圖片，如圖2所示。此外，數(shù)據(jù)并行度可以在程序運(yùn)行時(shí)進(jìn)行設(shè)置。

圖2 數(shù)據(jù)并行度示意圖

模型并行度是指將目標(biāo)識(shí)別算法模型拆分到不同核上進(jìn)行推理計(jì)算，模型并行度在生成離線模型時(shí)進(jìn)行指定，程序運(yùn)行時(shí)不能改變，如圖3所示。生成離線模型時(shí)，CNML能夠?qū)⑼ㄓ梅?wù)器訓(xùn)練成功的SSD/YOLOv3模型的拓?fù)浣Y(jié)構(gòu)、輸入輸出、模型參數(shù)進(jìn)行多尺度拆分，執(zhí)行程序在多核上并行執(zhí)行，并且保證每個(gè)核之間的數(shù)據(jù)同步。

圖3 模型并行度示意圖

數(shù)據(jù)并行度能夠提高數(shù)據(jù)吞吐量，適用于批量圖片處理，如圖片列表；而模型并行度能夠加快推理速度，適用于單幀圖片處理。但是兩者滿足條件式(1):

data_para×model_para≤4

(1)

本研究選用CONTEC CONPRO-H9320工業(yè)控制計(jì)算機(jī)作為宿主機(jī)，搭建國產(chǎn)智能加速卡。計(jì)算機(jī)的CPU通過PCIe x16總線與智能加速卡進(jìn)行信息交互，目標(biāo)識(shí)別算法的前處理和后處理模塊在CPU上執(zhí)行，模型推理模塊在智能加速卡上執(zhí)行，體系架構(gòu)框圖如圖4所示。

圖4 智能計(jì)算機(jī)架構(gòu)框圖

2 SSD/YOLOv3測試用例生成

將VOC2007、VOC2012數(shù)據(jù)集與自制數(shù)據(jù)集進(jìn)行結(jié)合，形成21類樣本數(shù)據(jù)庫，構(gòu)成訓(xùn)練SSD/YOLOv3識(shí)別模型的訓(xùn)練與測試數(shù)據(jù)，其中的80%用于訓(xùn)練，20%用于測試，共計(jì)22316張圖片。

2.1 SSD測試用例

SSD(Single Shot MultiBox Detector)算法是Wei Liu在ECCV 2016上提出的一種目標(biāo)檢測算法[10]，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。相比Faster R-CNN，SSD算法首先通過區(qū)域生成網(wǎng)絡(luò)得到目標(biāo)的候選框，然后再進(jìn)行分類與回歸，具有明顯的速度優(yōu)勢(shì)。相比YOLO算法在全連接層后進(jìn)行目標(biāo)檢測，SSD算法采用卷積神經(jīng)網(wǎng)絡(luò)來直接進(jìn)行目標(biāo)檢測。

圖5 SSD網(wǎng)絡(luò)結(jié)構(gòu)框圖

在通用服務(wù)器的Caffe框架下進(jìn)行模型訓(xùn)練，設(shè)置迭代次數(shù)為 100 000 次，初始學(xué)習(xí)率在保證訓(xùn)練不發(fā)散的情況下盡量取大以保證訓(xùn)練過程具有較高的收斂速度，這里選為0.001。為適當(dāng)?shù)募铀偈諗浚瑢_量設(shè)置為0.9，損失曲線如圖6。訓(xùn)練使用的GPU為3塊基于Pascal架構(gòu)的Nvidia Titan X顯卡。

圖6 SSD算法損失曲線

2.2 YOLOv3測試用例

YOLOv3算法是Redmoz改進(jìn)YOLO(You Only Look Once)的第3個(gè)版本，主要提高了小目標(biāo)的識(shí)別精度[16]，網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。相比先前兩個(gè)版本算法，YOLOv3在多尺度上進(jìn)行預(yù)測(類似圖像金字塔網(wǎng)絡(luò))；使用ResNet網(wǎng)絡(luò)，將v2的daet19提升到darknet53，加深網(wǎng)絡(luò)結(jié)構(gòu)；取消池化層和全連接層，通過改變卷積核步長進(jìn)行張量變換。YOLOv3在保證實(shí)時(shí)性的基礎(chǔ)上盡可能提高識(shí)別準(zhǔn)確度。

圖7 YOLOv3網(wǎng)路結(jié)構(gòu)框圖

在通用服務(wù)器的Darknet53框架下進(jìn)行模型訓(xùn)練。設(shè)置初始學(xué)習(xí)率0.001，遺忘因子0.9，沖量設(shè)置0.9。為防止訓(xùn)練中過擬合，加入權(quán)值衰減參數(shù)0.000 5。設(shè)置迭代次數(shù)為50 000次，訓(xùn)練過程中通過平均準(zhǔn)確率曲線調(diào)整訓(xùn)練參數(shù)，當(dāng)準(zhǔn)確率不明顯上升時(shí)將學(xué)習(xí)率適當(dāng)減小，損失曲線如圖8。

圖8 YOLOv3算法損失曲線

3 SSD/YOLOv3測試用例移植

當(dāng)進(jìn)行目標(biāo)檢測算法SSD/YOLOv3移植時(shí)，需要調(diào)用寒武紀(jì)公司開發(fā)的CNRT和CNML兩個(gè)動(dòng)態(tài)庫。CNRT庫是用戶層面向寒武紀(jì)加速卡底層的接口，所有軟件的運(yùn)行都得調(diào)用CNRT，與并行計(jì)算、內(nèi)存管理有關(guān)。CNML是用于加速機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法而編寫的算子，具有基本算子和融合算子兩種?；舅阕邮菃蝹€(gè)運(yùn)算，如矩陣乘法、矩陣加法、卷積、池化等。融合算子可以對(duì)各種基本算子進(jìn)行有效結(jié)合，提高運(yùn)算效率?？紤]到地面無人平臺(tái)更關(guān)注目標(biāo)檢測算法的實(shí)時(shí)性，本文僅對(duì)寒武紀(jì)智能加速卡的離線模型進(jìn)行介紹。

3.1 SSD測試用例移植

為滿足寒武紀(jì)架構(gòu)下運(yùn)行，本文對(duì)通用服務(wù)器Caffe框架下訓(xùn)練后的SSD模型和權(quán)重進(jìn)行適應(yīng)性改造，首先在卷積層引入RGB三通道均值，然后將基本算子或融合算子、MLU核版本、權(quán)重、輸入/輸出數(shù)據(jù)尺寸、參數(shù)信息、模型版本和MLU指令等集成到模型中，使得目標(biāo)檢測算法徹底脫離CNML機(jī)器學(xué)習(xí)庫和深度學(xué)習(xí)框架運(yùn)行，通用型較好，效率高。最后開發(fā)運(yùn)行程序(主要包括前處理、后處理、推理部分)加載SSD算法離線模型和圖片幀，通過CNRT和驅(qū)動(dòng)交給MLU100智能加速卡進(jìn)行推理識(shí)別，如圖9所示。

圖9 離線模型運(yùn)行流程框圖

3.2 YOLOv3測試用例移植

首先需要將通用服務(wù)器Darknet框架下訓(xùn)練后的YOLOv3模型和權(quán)重轉(zhuǎn)換為Caffe框架下的模型和權(quán)重，并設(shè)置圖片輸入形狀為{1,3,416,416}，采用插值方法進(jìn)行上采樣，然后集成基本算子和融合算子等生成MLU100支持的離線模型。最后，加載YOLOv3模型進(jìn)行圖片推理檢測，與SSD移植方法類似。

4 MLU100智能加速卡測試

為了充分測試MLU100的性能，在實(shí)驗(yàn)室開展了靜態(tài)測試，在室外開展了實(shí)車動(dòng)態(tài)測試。

4.1 靜態(tài)測試

測試方法如下：

1) 在Ubuntu16.04操作系統(tǒng)上部署MLU 100智能加速卡開發(fā)環(huán)境；

2) 設(shè)計(jì)相機(jī)實(shí)時(shí)讀取接口，利用移植后的YOLOv3/SSD模型進(jìn)行實(shí)驗(yàn)室場景下的數(shù)據(jù)采集與推理識(shí)別；

3) 記錄MLU 100運(yùn)行目標(biāo)檢測算法時(shí)的識(shí)別幀數(shù)、物理內(nèi)存、溫度、功率、占有率、頻率等；

4) 根據(jù)測試數(shù)據(jù)，對(duì)加速卡性能進(jìn)行評(píng)價(jià)。

測試設(shè)備主要有CONTEC工控機(jī)1臺(tái)、筆記本1臺(tái)、交換機(jī)1個(gè)、速騰32線激光雷達(dá)一個(gè)、大恒相機(jī)1個(gè)，如圖10所示。

圖10 實(shí)驗(yàn)室測試場景

4.1.1YOLOv3測試

本文將目標(biāo)檢測算法YOLOv3離線模型的模型并行度分別設(shè)置為1、2、4，并分別采用半精度浮點(diǎn)運(yùn)算和整數(shù)運(yùn)算進(jìn)行試驗(yàn)測試，如圖11、圖12、圖13所示。

圖11 識(shí)別幀數(shù)、物理內(nèi)存與模型并行度

圖12 功率、溫度與模型并行度

圖13 占有率、頻率與模型并行度

圖11、圖12、圖13表明，MLU100 D2運(yùn)行YOLOv3目標(biāo)檢測算法時(shí)，識(shí)別幀數(shù)、物理內(nèi)存、功率、溫度隨著模型并行度的增加而增加；由于算法模型被分到更多的核上進(jìn)行計(jì)算，MLU100的利用率隨著模型并行度的增加而減少；加速卡的頻率維持不變，即未出現(xiàn)降頻現(xiàn)象，運(yùn)行比較穩(wěn)定。此外，采用半精度運(yùn)算的物理內(nèi)存、功率、溫度、利用率明顯高于整數(shù)運(yùn)算，識(shí)別幀數(shù)稍微低于整數(shù)運(yùn)算，但是能夠保證更高的識(shí)別的精度。

4.1.2SSD測試

同樣，將目標(biāo)檢測算法SSD離線模型的模型并行度分別設(shè)置為1,2,4，并分別采用半精度浮點(diǎn)運(yùn)算和整數(shù)運(yùn)算進(jìn)行試驗(yàn)測試，測試結(jié)果如圖14、圖15、圖16所示。

圖14 識(shí)別幀數(shù)、物理內(nèi)存與模型并行度

圖15 功率、溫度與模型并行度

圖16 占有率、頻率與模型并行度

圖14、圖15、圖16表明，MLU100 D2運(yùn)行SSD目標(biāo)檢測算法時(shí)，識(shí)別幀數(shù)、物理內(nèi)存、功率、溫度、利用率、頻率隨模型并行度變化趨勢(shì)與YOLOv3相同。但是SSD算法的識(shí)別幀數(shù)(float16型為23.42幀/s，int8型為25.53幀/s)明顯大于YOLOv3(float16型為15.48幀/s，int8型為21.21幀/s)；與SSD模型相比，YOLOv3模型具有更大的復(fù)雜度，運(yùn)行YOLOv3算法時(shí)加速卡的物理內(nèi)存、功率、溫度、利用率也大于SSD算法；頻率均維持為1000Hz，并未出現(xiàn)降頻現(xiàn)象，能夠穩(wěn)定運(yùn)行。

4.1.3MLU100加速卡評(píng)價(jià)

本文選擇智能加速卡的頻率、識(shí)別幀數(shù)、溫度、功率和占用率作為評(píng)價(jià)指標(biāo)。正常情況下，目標(biāo)檢測算法的識(shí)別幀數(shù)是最應(yīng)該受關(guān)注的，但是在地面無人平臺(tái)部署配置智能加速卡的計(jì)算機(jī)時(shí)，由于車內(nèi)空間相對(duì)狹小且存在大量發(fā)熱元器件，不利于智能加速卡的散熱，可能造成加速卡頻率下降，不能維持穩(wěn)定的幀率輸出，故對(duì)加速卡溫度或功率影響較大。因此需要對(duì)加速卡的各指標(biāo)重要性進(jìn)行評(píng)價(jià)、比較、判斷，做出更合理的決策。為此，本文引入層次分析法，每個(gè)評(píng)價(jià)指標(biāo)的重要性可以通過兩兩相互對(duì)比實(shí)現(xiàn)[17-18]。

本文以加速卡性能為目標(biāo)層，識(shí)別幀數(shù)、溫度、功率、占用率和頻率為準(zhǔn)則層，構(gòu)建層次結(jié)構(gòu)如圖17所示。

圖17 評(píng)價(jià)指標(biāo)體系層次結(jié)構(gòu)框圖

為保證智能加速卡在地面無人平臺(tái)上可靠運(yùn)行，能否維持加速卡的頻率恒定尤為重要，否則將使得加速卡的識(shí)別幀數(shù)動(dòng)態(tài)變化，最終導(dǎo)致地面無人平臺(tái)收發(fā)數(shù)據(jù)混亂。此外，目標(biāo)檢測算法的識(shí)別幀數(shù)影響地面無人平臺(tái)的行駛車速，相對(duì)其他評(píng)價(jià)指標(biāo)較為重要。經(jīng)專家評(píng)估，制定如表1所示的判別矩陣。

計(jì)算出表1的評(píng)價(jià)指標(biāo)的判別元素的最大特征值為5.091 7，特征向量為[0.428 7, 0.181 6, 0.111 8, 0.067 2, 0.875 3]，分別表示識(shí)別幀數(shù)、溫度、功率、占用率和頻率對(duì)評(píng)價(jià)智能加速卡所占的權(quán)重。

表1 判別元素

然后計(jì)算一致性指標(biāo)CI(Consistency Index)：

最后計(jì)算一致性比率CR(Consistency Ratio)：

其中，隨機(jī)一致性指標(biāo)RI(Random Index)可通過表2獲取[19]。由于CR<0.1時(shí)，滿足一致性檢驗(yàn)，無需重新調(diào)整判別矩陣。

表2 隨機(jī)一致性指標(biāo)

因此，本文中準(zhǔn)則層對(duì)目標(biāo)層重要性的排序結(jié)果依次為加速卡頻率、識(shí)別幀數(shù)、溫度、功率和占用率，相對(duì)應(yīng)的權(quán)重分別為[0.875 3, 0.428 7, 0.181 6, 0.111 8, 0.067 2]，歸一化后為[0.525 832 032, 0.257 539 349, 0.109 095 278, 0.067 163 282, 0.040 370 059]。

根據(jù)YOLOv3/SSD測試的數(shù)據(jù)，構(gòu)建MLU100智能加速卡的評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)不同范圍的頻率、識(shí)別幀數(shù)、溫度、功率、占用率進(jìn)行打分，如表3所示。

表3 MLU100智能加速卡評(píng)價(jià)標(biāo)準(zhǔn)

將MLU100智能加速卡運(yùn)行YOLOv3/SSD算法的實(shí)驗(yàn)室測試結(jié)果(圖11～圖16)按照上述表3中的評(píng)價(jià)標(biāo)準(zhǔn)轉(zhuǎn)化為相應(yīng)的分?jǐn)?shù)。然后根據(jù)各指標(biāo)權(quán)重進(jìn)行加權(quán)平均，獲得評(píng)價(jià)分?jǐn)?shù)，如表4所示。結(jié)果表明，MLU100 D2運(yùn)行SSD目標(biāo)檢測算法時(shí)獲得的分?jǐn)?shù)最高，為92.68。

表4 MLU100運(yùn)行SSD算法得分

4.2 實(shí)車動(dòng)態(tài)測試

為驗(yàn)證智能芯片是否滿足地面無人平臺(tái)自主導(dǎo)航功能模塊實(shí)時(shí)運(yùn)行需求，設(shè)計(jì)相機(jī)/激光雷達(dá)避障模塊，如圖18所示。搭載智能加速卡的CONTEC工控機(jī)負(fù)責(zé)目標(biāo)檢測，通過UDP通信將輸出的目標(biāo)邊界框的像素坐標(biāo)發(fā)送到自主計(jì)算機(jī)。自主計(jì)算機(jī)將激光雷達(dá)采集的點(diǎn)云數(shù)據(jù)進(jìn)行聚類，目標(biāo)中心點(diǎn)像素與聚類后的點(diǎn)云數(shù)據(jù)進(jìn)行融合獲取已識(shí)別目標(biāo)中心的三維位置，最后發(fā)送到地面無人平臺(tái)的導(dǎo)航建圖模塊進(jìn)行建圖。

圖18 相機(jī)避障模塊框圖

實(shí)驗(yàn)室靜態(tài)測試結(jié)果表明，更大的模型并行度有利于識(shí)別幀數(shù)的提高，且int8推理速度優(yōu)于float16，但檢測精度稍有下降。本著安全原則，實(shí)車測試時(shí)調(diào)整模型并行度為4、采用int8進(jìn)行實(shí)時(shí)推理識(shí)別。通過操控端下發(fā)直線任務(wù)路徑，實(shí)車自主行駛，根據(jù)前方檢測的“障礙”重新規(guī)劃路徑，如圖19所示。

圖19 實(shí)車測試現(xiàn)場

4.2.1YOLOv3測試用例

避障結(jié)果如圖20所示。共進(jìn)行30次實(shí)驗(yàn)，基于相機(jī)感知模塊成功避障25次，失敗5次，成功率83.33%。

圖20 避障結(jié)果示意圖

地面無人平臺(tái)自主避障測試中，YOLOv3算法的識(shí)別幀數(shù)和智能加速卡的頻率、識(shí)別幀數(shù)和功率、占用率和溫度曲線如圖21、圖22、圖23所示。

圖21 頻率曲線

圖22 幀數(shù)和功率曲線

圖21、圖22表明，MLU100運(yùn)行YOLOv3目標(biāo)檢測算法時(shí)的識(shí)別幀數(shù)約為21幀/秒，其中大于20幀/秒占據(jù)99.57%，但是低于圖片集測試時(shí)的23幀/秒，主要是因?yàn)閳D片集能夠一次加載，而相機(jī)實(shí)時(shí)識(shí)別需要邊加載邊推理計(jì)算；MLU100功率由0增加到12 W，低于圖片集測試時(shí)的14 W，是因?yàn)榕繄D片測試可設(shè)置更大的數(shù)據(jù)并行度，使得每個(gè)核全負(fù)荷運(yùn)行，而相機(jī)實(shí)時(shí)識(shí)別只能通過提高模型并行度加快推理運(yùn)算，模型卻不能充分拆分，仍明顯優(yōu)于市場同等產(chǎn)品(一般為30 W)。

圖23表明，MLU100運(yùn)行YOLOv3目標(biāo)檢測算法時(shí)板卡每個(gè)核的利用率約為68%，主要用于加載模型及與CPU進(jìn)行交互，低于圖片集測試時(shí)的98%，是因?yàn)閳D片集能夠被充分拆分到每個(gè)核進(jìn)行推理計(jì)算，而相機(jī)實(shí)時(shí)識(shí)別時(shí)無法將模型進(jìn)行充分拆分，任務(wù)調(diào)度相對(duì)“悠閑”；MLU100板卡的溫度由40 ℃提高到54 ℃，明顯高于實(shí)驗(yàn)室測試溫度，主要是因?yàn)檐圀w內(nèi)空氣不流通，加速卡無法及時(shí)散熱。

圖23 占用率和溫度曲線

4.2.2SSD測試用例

避障結(jié)果如圖24所示。共進(jìn)行30次實(shí)驗(yàn)，基于相機(jī)感知模塊成功避障27次，失敗3次，成功率為90%。相比YOLOv3算法避障，SSD算法具有更高的識(shí)別幀數(shù)，能夠提供更快的目標(biāo)位置更新，避障占據(jù)優(yōu)勢(shì)。同時(shí)，SSD算法的識(shí)別幀數(shù)和智能加速卡的頻率、、識(shí)別幀數(shù)和功率、占用率和溫度曲線如圖25、圖26、圖27所示。

圖24 避障結(jié)果示意圖

圖25 頻率曲線

圖26 幀數(shù)和功率曲線

圖27 占用率和溫度曲線

圖25、圖26表明，MLU100運(yùn)行SSD目標(biāo)檢測算法時(shí)的識(shí)別幀數(shù)約為25幀/秒，其中大于25幀/秒占95.21%。相比YOLOv3，SSD網(wǎng)絡(luò)更簡潔，運(yùn)行速率更快，但是仍低于圖片集測試的31幀/秒，原因與4.2.1小節(jié)類似；MLU100的功率由0增加到10 W，相比YOLOv3，運(yùn)行SSD時(shí)每個(gè)核的負(fù)載相對(duì)較低，功率相應(yīng)較低，但仍低于圖片集測試時(shí)的13 W，原因與4.2.1類似，明顯優(yōu)于市場同等產(chǎn)品(30 W)。

圖27表明，MLU100運(yùn)行SSD目標(biāo)檢測算法時(shí)每個(gè)核的利用率約為52%，低于YOLOv3的68%，是因?yàn)镾SD網(wǎng)絡(luò)簡潔，拆分到每個(gè)核上的模型較少，任務(wù)調(diào)度較簡單，但仍低于圖片集測試時(shí)的96%，原因與4.2.1小節(jié)類似；MLU100板卡的溫度由53攝氏度提高到55攝氏度，是因?yàn)殚L時(shí)間測試導(dǎo)致車體內(nèi)的環(huán)境溫度持續(xù)升高。

5 結(jié)論

基于寒武紀(jì)智能加速卡開展了應(yīng)用研究及測試，完成了:

1) 對(duì)通用服務(wù)器架構(gòu)下的目標(biāo)檢測算法SSD/YOLOv3進(jìn)行了適應(yīng)性改造，實(shí)現(xiàn)了算法在寒武紀(jì)智能加速卡MLU100 D2上的部署。

2) 在實(shí)驗(yàn)室場景下的對(duì)加速卡進(jìn)行了測試，引入層次分析法對(duì)加速卡的性能進(jìn)行了有效評(píng)價(jià)，結(jié)果顯示更大的模型并行度能夠提高目標(biāo)實(shí)時(shí)推理識(shí)別的速度。

3) 針對(duì)地面無人平臺(tái)的運(yùn)行環(huán)境條件，設(shè)計(jì)相機(jī)/激光雷達(dá)融合模塊，開展了實(shí)車避障任務(wù)測試，加速卡能夠保持較為穩(wěn)定的目標(biāo)位置輸出，滿足地面無人平臺(tái)低速自主導(dǎo)航實(shí)時(shí)建圖需求

未來將開展MLU100在地面無人平臺(tái)高速自主導(dǎo)航條件下的目標(biāo)識(shí)別以及場景語義識(shí)別等方面的應(yīng)用研究，對(duì)智能加速卡的車載環(huán)境適應(yīng)性進(jìn)行測試，對(duì)國產(chǎn)智能加速卡滿足地面無人裝備應(yīng)用需求的情況進(jìn)行綜合評(píng)價(jià)。