بررسی مقایسه ای پیاده سازی قابل ترکیب بندی مجدد شبکه های یادگیری عمیقدرکاربردهای خودروهای خودران

سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 151

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCT18_028

تاریخ نمایه سازی: 29 فروردین 1402

چکیده مقاله:

امروزه با پیشرفت تکنولوژی، حوزه خودروهای خودران تحولات جدید به خود دیده است، بخصوص با توسعه سیستم هاییادگیری عمیق امکانات ویژه ای برای خودروها فراهم شده است. این پیشرفتها در حوزه های مختلف اعم از تشخیص عابر وسایر وسایل نقلیه، تشخیص تابلوهای راهنمایی و رانندگی، تشخیص جاده و مسیر قابل رانندگی و سایر حوزه های ادارک صحنهو مسیریابی توسعه یافته اند. با این وجود هنوز چالش هایی در این حوزه بخصوص برای خودروهای خودران وجود دارد. یکی ازمهمترین چالش ها حجم محاسباتی زیاد شبکه های یادگیری عمیق است که نیاز به واحدهای محاسباتی و حافظه زیادی دارد.این امر بخصوص در سیستم های نهفته و با ظرفیت محدود مانند انواع FPGA ها به یک مشکل عمده تبدیل می شود. بنابراینتلاشهای زیادی در این حوزه برای پیاده سازی شبکه یادگیری عمیق مانند کانولوشن ها بر روی تجهیزات با منابع محدود ازطریق یک موازنه بین کاهش دقت با کاهش منابع سخت افزاری و مصرف انرژی انجام شده است. در این مقاله یک نمای کلیاز روش های پیاده سازی شبکه های یادگیری کانولوشنی بر روی پردازنده های با منابع محدود مخصوصا FPGA در کاربردهایخودروهای خودران ارائه شده است.

کلیدواژه ها:

و FPGA ، خودرو خودران ، شتاب دهنده سخت افزاری

نویسندگان

محمد چشفر

دانشگاه تربیت دبیر شهید رجایی

پرویز امیری

دانشگاه تربیت دبیر شهید رجایی

حسین قرایی گرکانی

پژوهشگاه ارتباطات و فناوری اطلاعات