Renesas Electronics Corporation y Fixstars Corporation han anunciado hoy el desarrollo conjunto de una suite de herramientas que permite la optimización y simulación rápida de software para sistemas de conducción autónoma (AD) y sistemas avanzados de asistencia al conductor (ADAS) diseñados para los dispositivos SoC (system-on-chip) R-Car de Renesas.

Estas herramientas permiten desarrollar modelos de red con reconocimiento de objetos de alta precisión desde la fase inicial de desarrollo de software que aprovechan las prestaciones del R-Car. Esto reduce el trabajo posterior al desarrollo y, por tanto, ayuda a acortar los ciclos de desarrollo.

"GENESIS para R-Car, que es un entorno de evaluación basado en la nube que construimos conjuntamente con Renesas, permite a los ingenieros evaluar y seleccionar dispositivos en una fase más temprana de los ciclos de desarrollo y ya ha sido utilizado por muchos clientes", dijo Satoshi Miki, CEO de Fixstars. "Seguiremos desarrollando nuevas tecnologías para acelerar las operaciones de aprendizaje automático (MLOps) que se pueden utilizar para mantener las últimas versiones de software en aplicaciones de automoción."

Las aplicaciones AD y ADAS actuales utilizan el aprendizaje profundo para lograr un reconocimiento de objetos altamente preciso. El procesamiento de inferencia de aprendizaje profundo requiere cantidades masivas de cálculos de datos y capacidad de memoria. Los modelos y programas ejecutables en aplicaciones de automoción deben optimizarse para un SoC de automoción, ya que el procesamiento en tiempo real con unidades aritméticas y recursos de memoria limitados puede ser una tarea difícil. Además, el proceso que va de la evaluación del software a la verificación debe acelerarse y las actualizaciones deben aplicarse repetidamente para mejorar la precisión y el rendimiento. Renesas y Fixstars han desarrollado las siguientes herramientas diseñadas para satisfacer estas necesidades.

1. Herramienta R-Car Neural Architecture Search (NAS) para generar modelos de red optimizados para R-Car.
Esta herramienta genera modelos de red de aprendizaje profundo que utilizan eficientemente el acelerador CNN (red neuronal convolucional), el DSP y la memoria del dispositivo R-Car. Esto permite a los ingenieros desarrollar modelos de red ligeros que logran un reconocimiento de objetos de alta precisión y un tiempo de procesamiento rápido, incluso sin un conocimiento profundo o experiencia con la arquitectura R-Car.

2. Compilador DNN de R-Car para compilar modelos de red para R-Car
Este compilador convierte modelos de red optimizados en programas que pueden aprovechar al máximo el potencial de rendimiento de R-Car. Convierte los modelos de red en programas que pueden ejecutarse rápidamente en la CNN IP y también realiza la optimización de la memoria para permitir que la SRAM de alta velocidad y capacidad limitada maximice su rendimiento.

3. Simulador DNN R-Car para la simulación rápida de programas compilados
Este simulador puede utilizarse para verificar el funcionamiento de los programas en un PC, en lugar de en el propio chip R-Car. Con esta herramienta, los desarrolladores pueden generar los mismos resultados de funcionamiento que produciría R-Car. Si la precisión de reconocimiento del proceso de inferencia se ve afectada durante el proceso de aligeramiento de los modelos y optimización de los programas, los ingenieros pueden proporcionar información inmediata al desarrollo del modelo, acortando así los ciclos de desarrollo.

Renesas y Fixstars continuarán desarrollando software para el aprendizaje profundo con el "Automotive SW Platform Lab" conjunto y construirán entornos de operación que mantengan y mejoren la precisión y el rendimiento del reconocimiento mediante la actualización continua de los modelos de red.


Disponibilidad
El primer conjunto de herramientas disponible hoy está diseñado para el SoC R-Car V4H para aplicaciones AD y ADAS que combina un potente rendimiento de aprendizaje profundo de hasta 34 tera operaciones por segundo (TOPS) con una eficiencia energética superior.

Más información