Як працює інтелектуальне кодування в автономних транспортних засобах?
В автономних транспортних засобах дані з камер передаються до пам’яті перед запуском алгоритмів сприйняття. Цей процес, хоч і необхідний, споживає значну кількість енергії - особливо коли в пам’яті зберігаються біти зі значенням 1 або коли наступні байти змінюють стан на шині даних. Замість того, щоб ставитися до всіх даних як до рівнозначних, новий метод під назвою MotiMem-Omega впроваджує семантичний підхід: не все є однаково важливим для безпеки та функціонування транспортного засобу.
Система аналізує зображення та ідентифікує ключові елементи - такі як пішохід, велосипедист або інший транспортний засіб - а потім призначає їм вищу точність. Фон, наприклад, небо або пусті області, отримують нижчі значення якості. Це дозволяє значно зменшити кількість бітів зі значенням 1 без втрати ключової інформації для сприйняття.
Ефективність і збереження: що дає MotiMem-Omega на практиці?
Збільшене зображенняЗакрити збільшенняПопереднє зображенняДослідження, проведені на 29 детекторах, 12 наборах даних дорожнього руху та п’яти моделях сегментації, показують, що MotiMem-Omega підтримує близько 90% середньої точності виявлення (mAP) порівняно з оригінальним підходом. Крім того, для найбільш вразливих учасників дорожнього руху - пішоходів, велосипедистів і мотоциклістів - зберігається навіть 91% ефективності виявлення.
Важливо, що метод не тільки заощаджує енергію, але й робить це краще, ніж інші підходи. У порівнянні з базовим методом і обрізанням, адаптованим до споживання енергії, MotiMem-Omega забезпечує вищу точність при тій самій або нижчій щільності бітів зі значенням 1.
Чому кодеки зображень не є рішенням?
Хоча стандартні кодеки зображень (наприклад, H.264, HEVC) є ефективними в стисненні даних, вони не зменшують споживання енергії інтерфейсу пам’яті. Це відбувається тому, що їх дія стосується лише передачі даних, а не самого процесу зберігання в пам’яті. Таким чином, навіть якщо зображення стиснуто, його передача до пам’яті все ще генерує високе споживання енергії.
MotiMem-Omega працює на рівні інтерфейсу пам’яті - тобто там, де енергія витрачається найбільше. Саме ця точка є ключовою: зменшення щільності бітів зі значенням 1 безпосередньо впливає на енергію, необхідну для зберігання даних у пам’яті.
Значення та обмеження цієї технології
Новий метод може мати важливе значення для розвитку автономних транспортних засобів, особливо в контексті обмежень енергії на борту. Зменшення споживання енергії інтерфейсу пам’яті навіть на 36% дозволяє збільшити час роботи систем без необхідності використання більших акумуляторів або більш ефективних систем охолодження.
Однак варто підкреслити, що результати базуються на моделюванні та симуляціях. Метод ще не впроваджено в реальних транспортних засобах і не тестувався в реальних умовах. Обмеження також включають залежність від доступності даних про положення транспортного засобу (ego pose), які необхідні для роботи механізму компенсації руху між кадрами.
Значення та обмеження цієї технології
У контексті зростаючого попиту на енергію в автономних системах, MotiMem-Omega є важливим кроком вперед у напрямку енергоефективності. Завдяки зменшенню споживання енергії інтерфейсу пам’яті до 36%, технологія дозволяє збільшити час роботи перцептивних систем без необхідності збільшення потужності акумуляторів або впровадження більш складних рішень охолодження. Це особливо важливо для електромобілів, де кожна одиниця енергії має значення для запасу ходу та ефективності.
Крім того, метод не тільки заощаджує енергію, але й робить це, одночасно зберігаючи високу якість виявлення об’єктів - навіть у критичних ситуаціях, таких як виявлення пішоходів або велосипедистів. Завдяки цьому систему можна використовувати в додатках, що потребують високої надійності, без втрати достовірності автономних рішень. Однак варто підкреслити, що зараз усі результати базуються на симуляціях і комп’ютерному моделюванні, а не на тестах у реальних дорожніх умовах. Це означає, що потенційні відмінності між теорією та практикою можуть виникнути в разі зміни умов навколишнього середовища, таких як зміна освітлення, дощ або туман, які впливають на якість даних з камер і ефективність алгоритмів компенсації руху. Додатковим обмеженням є необхідність доступу до даних про положення транспортного засобу (ego pose), які необхідні для правильної роботи механізму компенсації руху між кадрами - відсутність цих даних може значно вплинути на...
