首页|嵌入式系统|显示技术|模拟IC/电源|元件与制造|其他IC/制程|消费类电子|无线/通信|汽车电子|工业控制|医疗电子|测试测量
首页 > 分享下载 > 常用软件 > 用于ADAS的资源约束机器学习: 系统性回顾

用于ADAS的资源约束机器学习: 系统性回顾

资料介绍
行业机器学习(ML)方法的出现为汽车领域,特别是高级驾驶辅助系统(ADAS)提供了新的可能性。这些方法主要集中在特定的问题上,从交通标志和灯光识别到行人检测。在大多数情况下,ADAS系统中发现的计算资源和功率预算受到限制,而大多数机器学习方法都是计算密集型的。通常的解决方案包括调整ML模型,以符合推理的内存和实时(RT)要求。一些模型很容易适应资源受限的硬件,如支持向量机,而其他模型,如神经网络,则需要更复杂的过程来适应所需的硬件。ADAS硬件(HW平台)是多样化的,从复杂的MPSoC CPU到经典的MCU、DPS和特定应用的FPGA和ASIC或特定的GPU平台(如NVIDIA家族的Tegra或Jetson)。因此,实现的ML模型的复杂度和所选平台之间存在着权衡,影响着性能指标:功能结果、能耗和速度(延迟和吞吐量)。本文以系统回顾的形式进行调查,分析已发表的将ML模型嵌入到ADAS应用的资源限制实现中的研究工作的范围,以及在ML性能、能耗和速度权衡方面的成就。
用于ADAS的资源约束机器学习: 系统性回顾
本地下载

评论