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。
共4条 1/1
1
跳转至
页
IEEE: 用于ADAS的资源约束机器学习:系统性回顾
![](http://m.amcfsurvey.com/uphotos/982338588/thumb/avatar.jpg)
共4条 1/1
1
跳转至
页
回复
有奖活动 | |
---|---|
东芝TB6560AHQ步进电机驱动器芯片 | |
请大声喊出:我要开发板! | |
【有奖活动】EEPW网站征稿正在进行时,欢迎踊跃投稿啦 | |
【有奖活动】智能可穿戴设备AR/VR如何引领科技新潮流! | |
奖!发布技术笔记,技术评测贴换取您心仪的礼品 |
打赏帖 | |
---|---|
【换取手持数字示波器】+AT89C2051串口接收数据显示到LCD1602上被打赏50分 | |
【分享评测,赢取加热台】+AT89C2051控制NRF24L01收发数据被打赏50分 | |
【分享评测,赢取加热台】迪文屏设计实战技巧被打赏40分 | |
“DFRobot盖革计数器模块评测”基础模型搭建被打赏50分 | |
【换取手持数字示波器】+角点检测----Harris被打赏40分 | |
【换取手持数字示波器】常见音频指标被打赏20分 | |
【分享评测,赢取加热台】从零配置MCX-N947——PWM(SCtimer)被打赏50分 | |
【分享评测,赢取加热台】实际测试MCX-N947——PWM(Ctimer)被打赏50分 | |
【换取手持数字示波器】红外触摸框及各类红外设备的工作原理被打赏20分 | |
【换取手持数字示波器】+精英板驱动两相四线步进电机被打赏10分 |