在英特尔 Myriad X 嵌入式 SoC 上加速人工智能和计算机视觉用于卫星姿态估计

核心概念

本文提出了一个在英特尔 Myriad X 异构系统芯片上加速人工智能和经典计算机视觉算法的混合嵌入式系统,用于解决卫星姿态估计问题。

摘要

本文提出了一个混合的人工智能和计算机视觉系统,在英特尔 Myriad X 异构系统芯片上进行加速。该系统用于解决卫星姿态估计问题,包括初始化和跟踪两个阶段。

在算法层面上,作者采用了基于 ResNet-50 的 UrsoNet 网络以及一个自定义的经典计算机视觉管线。为了实现高效加速,作者利用了系统芯片上的神经计算引擎和 16 个矢量处理器,结合多种并行化和底层优化技术。

该单芯片、鲁棒估计和实时解决方案可以在 2W 的有限功耗下,对 1 百万像素的 RGB 图像实现每秒 5 帧的吞吐量。作者还将该实现与其他嵌入式设备(CPU、嵌入式 GPU、ARM 基础 FPGA)进行了直接比较。

統計資料

在 1024x1024x3 输入图像重采样到 512x512x3 用于 DNN 推理的情况下:

图像重采样的延迟为 1-19ms,性能提升 55-425倍
DNN 推理的延迟为 373ms,性能提升 5倍
整个人工智能管线的吞吐量为 2.6-2.7 FPS

引述

无

從以下內容提煉的關鍵洞見

Accelerating AI and Computer Vision for Satellite Pose Estimation on the Intel Myriad X Embedded SoC

by Vasileios Le... 於 arxiv.org 09-20-2024

https://arxiv.org/pdf/2409.12939.pdf

深入探究

如何进一步提高人工智能和计算机视觉管线的协作性,以实现更高的鲁棒性和自适应性?

要进一步提高人工智能（AI）和计算机视觉（CV）管线的协作性，可以采取以下几种策略：

高层次策略机制：开发一个高层次的策略机制，以协调AI和CV管线的执行。例如，可以设计一个决策系统，根据当前的环境和任务需求，动态选择使用AI进行初始姿态估计，还是使用CV进行持续跟踪。这种机制可以通过实时监测系统性能和环境变化来优化决策。

数据共享与融合：在AI和CV管线之间实现更高效的数据共享和融合。通过共享中间结果和特征，可以使AI模型更好地理解CV管线的输出，从而提高整体系统的鲁棒性。例如，AI可以利用CV管线提供的边缘信息来改进姿态估计的准确性。

自适应算法：引入自适应算法，使系统能够根据实时反馈调整其工作模式。例如，在信号质量较差或环境变化剧烈的情况下，系统可以自动增加CV管线的权重，以确保持续的姿态跟踪。

多任务学习：通过多任务学习的方法，训练一个统一的模型来同时处理AI和CV任务。这种方法可以提高模型的泛化能力，使其在不同任务之间共享知识，从而增强系统的适应性。

如何在不同的卫星任务场景中评估和优化该解决方案的性能和功耗?

在不同的卫星任务场景中评估和优化该解决方案的性能和功耗，可以采取以下步骤：

场景模拟与测试：创建多种卫星任务场景的模拟环境，测试系统在不同条件下的表现。这包括不同的光照条件、运动速度和姿态变化等。通过这些测试，可以收集系统在各种场景下的性能数据。

性能指标定义：明确性能和功耗的评估指标，例如处理延迟、帧率、功耗和准确性等。通过这些指标，可以量化系统在不同场景下的表现，并进行比较。

动态调整策略：根据实时监测的数据，动态调整系统的工作参数。例如，在功耗敏感的任务中，可以降低处理频率或分辨率，以减少功耗；而在需要高性能的任务中，则可以提高处理能力。

优化算法：应用低级优化技术，如并行处理、内存管理和算法优化，以提高系统的整体效率。通过对AI和CV管线的各个部分进行优化，可以在保证性能的同时降低功耗。

反馈机制：建立反馈机制，定期评估系统的性能和功耗，并根据评估结果进行调整。这种机制可以确保系统在不同任务场景中始终保持最佳状态。

该混合系统的设计方法是否可以应用于其他嵌入式计算领域的复杂感知任务?

该混合系统的设计方法确实可以应用于其他嵌入式计算领域的复杂感知任务，原因如下：

通用性：该设计方法强调了AI和CV的协同工作，这种协同机制在许多嵌入式应用中都是至关重要的。例如，在自动驾驶、机器人导航和智能监控等领域，AI和CV的结合可以显著提高系统的智能化水平。

低功耗优化：该系统在功耗管理方面的优化策略可以被广泛应用于其他嵌入式设备，尤其是在电池供电的设备中。通过动态调整处理能力和优化算法，可以在保证性能的同时延长设备的使用寿命。

模块化设计：该混合系统采用模块化设计，使得各个组件可以独立优化和替换。这种灵活性使得该设计方法可以适应不同的应用需求和技术进步。

实时处理能力：在许多嵌入式应用中，实时处理能力是一个关键要求。该系统通过高效的资源管理和调度策略，能够满足实时处理的需求，这一特性同样适用于其他领域的复杂感知任务。

多任务处理：该设计方法支持多任务处理，可以同时处理多个感知任务。这种能力在许多嵌入式应用中都是必要的，例如在智能家居、工业自动化和医疗监测等领域。

综上所述，该混合系统的设计方法不仅适用于卫星任务，还可以广泛应用于其他嵌入式计算领域的复杂感知任务，推动这些领域的技术进步和应用发展。