0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

边缘人工智能,从传感器融合到深度神经网络

CEVA 来源:未知 2023-02-10 01:55 次阅读

AI在边缘领域的优势现在是显而易见的。在这些领域中,实时响应起到决定性的作用。比如说,在安全敏感型应用中,既要将原始数据传输到云的通信成本降至最低,又要降低功耗、保护隐私并提高对多个边缘节点的可扩展性。

对于以上这些要求,我们建议通过边缘设备内的人工智能而不是远程云服务来满足。然而,一个AI引擎无法服务我们现在所知的边缘应用范围。家用电器可能只需要识别一组简单的语音命令或食品容器上的图片。更复杂的监控系统或工业机器人系统则可能需要融合图像传感器、麦克风、运动传感器等的多方输入。

就高端领域而言,自动或半自动驾驶识别系统需要用到非常复杂的深度神经网络 (DNN)。CEVA SensPro2 和NeuPro-M平台恰能满足这些需求。

边缘AI市场

自现在起至本世纪末,边缘AI处理器芯片市场的年复合增长率预计将达到20%左右。这一增长是由智能设备采用率/发展程度不断提高推动的,具体涉及:摄像头、可穿戴设备和家庭自动化领域消费者;安全和自动化程度日益提高的汽车行业;行业监控、机器人、机器/工厂控制和预测性维护。

最有可能在这些领域取得成功的产品自然必须功能十足、性能强大,如此才能满足应用这些产品的认可需求。此类产品必须根据消费者定价和/或在大规模部署时具有成本效益,同时还应该最大限度地减少现有无线基础设施的增量负载。此类产品的软件还必须可以升级,如此才能适应快速发展的AI技术领域的新兴解决方案。

传感器融合和SensPro2

除了最简单的智能边缘设备之外,其他所有设备现在都使用多个传感器。两个或更多传感器的融合信息通常可让智能系统提供准确性度更高的信息或补充信息。例如,在自动平行泊车或自动代客泊车系统中,可结合使用探测可用空间的视觉传感技术/雷达与超声波测距技术,另外也可以结合使用IMU输入,进一步细化定位估计结果。SLAM算法可以对这些功能形成补充,在停车场内导航以便自动代客泊车。

CEVA SensPro2传感器中枢DSP是传感器中枢/融合应用的完美答案。SensPro2是第二代CEVA传感器中枢DSP,允许图像传感器、麦克风、雷达、飞行时间、IMU 等的多个传感器输入。

基于神经网络的软件可在这种DSP架构上快速运行。因为这种架构提供整套丰富的硬件支持功能,包括:具有灵活MAC操作范围的矢量单元、整数和浮点运算支持、针对应用的ISA扩展和全面的非线性指令集。SensPro2可利用这些功能提供2倍的AI速度、6倍的SLAM速度、8倍的雷达速度、10倍的音频速度(相较于上一代SensPro而言)。

在各种消费者应用中,边缘人工智能已通过SensPro2部署到SoC,最近发布的新Novatek监控SoC版本就是一个示例。

DNN 智能和NeuPro-M

高端边缘智能需要深度神经网络 (DNN) 支持、高水平的并行性能和带宽优化,以及拥有最新AI算法的异构加速器。对于第一种需求而言,自动/半自动驾驶时的可用空间检测是一个不错的应用示例。此检测目的在于沿着公路/高速公路的安全驾驶区域行驶,避开障碍物,避免驶上对向车道、未铺砌的路肩和隔离带。在这种情况下必须迅速响应,因此会将前方道路图像分解为4个子帧,对其进行并行处理。之后再在每个子图像上运行可用空间检测,并重新组合以提供完整的结果。对于边缘应用中的此类人工智能而言,NeuPro-M可支持多达8个并行运行的引擎

大家对精度和性能的期望远不止并行这么简单。如今的网络开发人员希望利用现在NeuPro-M中采用硬件加速的专用功能,如矩阵分解、稀疏、Winograd及混合精度的神经操作,且以上所有功能都可以在每个并行引擎中使用。

NeuPro-M于2022年发布,荣获了“亚洲金选奖”之“金选潜力标杆奖”“2022年边缘人工智能与视觉联盟产品奖”之“年度最佳边缘AI处理器荣誉奖”。目前已部署在设计中的多个SoC中,并预计会在未来几年出现在最终产品中。

面向未来的解决方案

在标准CPUGPU上运行的纯软件AI解决方案效率过低,功耗又大,不太实用,但在理论上来说又具有一定的吸引力,因为您可以随时更改软件,而无需更改硬件。随着AI技术和网络层的发展,能否在获得硬件加速带来的所有性能和功耗优势的同时,保持灵活升级?

SensPro2和NeuPro-M能够做到这一点。这些AI解决方案的矢量DSP基础确保您能够随着市场需求和网络的发展,在软件中对产品实施进行升级。CEVA的深度神经网络 (CDNN) AI编译器简化了从标准网络(TensorFlow、PyTorch等)实施到在特定SoC中实施时映射到处理器IP的一应事宜。

您也可以在此步骤中控制优化,以充分利用特殊加速器(如NeuPro-M中的加速器),或添加您在设计中可能需要的、自己的加速器。CEVA CDNN-Invite API为此类扩展提供支持。

识别右侧二维码

立即了解

CEVA更多信息

5822749a-a8a2-11ed-bfe3-dac502259ad0.png  

58e6a662-a8a2-11ed-bfe3-dac502259ad0.gif

关于CEVA

590c73a6-a8a2-11ed-bfe3-dac502259ad0.svg

CEVA 是排名前列的无线连接和智能传感技术以及集成 IP 解决方案授权商,旨在打造更智能、更安全、互联的世界。我们为传感器融合、图像增强、计算机视觉、语音输入和人工智能应用提供数字信号处理器、人工智能处理器、无线平台、加密内核和配套软件。这些技术与我们的 Intrinsix IP 集成服务一起提供给客户,帮助他们解决复杂和时间关键的集成电路设计项目。许多世界排名前列的半导体厂商、系统公司和OEM利用我们的技术和芯片设计技能,为移动、消费、汽车、机器人、工业、航天国防和物联网等各种终端市场开发高能效、智能、安全的互联设备。

我们基于 DSP 的解决方案包括移动、物联网和基础设施中的 5G 基带处理平台;摄像头设备的高级影像技术和计算机视觉;适用于多个物联网市场的音频/语音/话音应用和超低功耗的始终开启/感应应用。对于传感器融合,我们的 Hillcrest Labs 传感器处理技术为耳机、可穿戴设备、AR/VR、PC机、机器人、遥控器、物联网等市场提供广泛的传感器融合软件和惯性测量单元 (“IMU”) 解决方案。在无线物联网方面,我们的蓝牙(低功耗和双模)、Wi-Fi 4/5/6/6E (802.11n/ac/ax)、超宽带(UWB)、NB-IoT和GNSS 平台是业内授权较为广泛的连接平台。

欢迎点亮“在看”哦

591d9050-a8a2-11ed-bfe3-dac502259ad0.gif


原文标题:边缘人工智能,从传感器融合到深度神经网络

文章出处:【微信公众号:CEVA】欢迎添加关注!文章转载请注明出处。


声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • dsp
    dsp
    +关注

    关注

    544

    文章

    7686

    浏览量

    344376
  • 蓝牙
    +关注

    关注

    112

    文章

    5430

    浏览量

    165668
  • CEVA
    +关注

    关注

    1

    文章

    175

    浏览量

    75540

原文标题:边缘人工智能,从传感器融合到深度神经网络

文章出处:【微信号:CEVA-IP,微信公众号:CEVA】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    FPGA在深度学习应用中或将取代GPU

    的根本原因,它与 深度神经网络 有一个共同之处:都需要进行大量矩阵运算。 显卡可以并行执行矩阵运算,极大地加快计算速度。图形处理可以把训练神经网络的时间
    发表于 03-21 15:19

    NanoEdge AI的技术原理、应用场景及优势

    NanoEdge AI 是一种基于边缘计算的人工智能技术,旨在将人工智能算法应用于物联网(IoT)设备和传感器。这种技术的核心思想是将数据处理和分析
    发表于 03-12 08:09

    详解深度学习、神经网络与卷积神经网络的应用

    在如今的网络时代,错综复杂的大数据和网络环境,让传统信息处理理论、人工智能与人工神经网络都面临巨大的挑战。近些年,深度学习逐渐走进人们的视线
    的头像 发表于 01-11 10:51 729次阅读
    详解<b class='flag-5'>深度</b>学习、<b class='flag-5'>神经网络</b>与卷积<b class='flag-5'>神经网络</b>的应用

    人工智能大模型、应用场景、应用部署教程超详细资料

    人工智能是IC行业近几年的热词,目前此技术已经有很多成熟的模型和落地案例。在此跟大家做个分享,更多详细资料,请自行搜索:【展锐坦克邦】,坦克邦-智算天地集算法模型、部署说明于一体,为广大客户提供了
    发表于 11-13 14:49

    高效打包边缘人工智能神经网络模型

    在嵌入式设计中常常需要将应用程序打包到有限的片上内存中,现在,将人工智能神经网络模型压缩到有限的存储器中也是如此。对于传统软件,就某些方面而言,做到这一点可谓更具挑战,因为基于神经网络的系统中的工作
    的头像 发表于 11-09 10:15 172次阅读
    高效打包<b class='flag-5'>边缘人工智能</b><b class='flag-5'>神经网络</b>模型

    人工神经网络相关资料

    以冯·诺依曼型计算机为中心的信息处理技术的高速发展,使得计算机在当今的信息化社会中起着十分重要的作用。但是,当用它来解决某些人工智能问题时却遇到了很大的困难。 例如,一个人可以很容易地识别他人的脸孔
    发表于 09-27 06:13

    不可错过!人工神经网络算法、PID算法、Python人工智能学习等资料包分享(附源代码)

    ,是模拟人工智能的一条重要途径。人工神经网络与人脑相似性主要表现在: ①神经网络获取的知识是外界环境学习得来的; ②各
    发表于 09-13 16:41

    基于IDE构建用于STM32微处理的完整人工智能项目

    本用户手册指导了基于 IDE 逐步构建用于 STM32 微处理的完整人工智能(AI)项目,自动转换预训练好的神经网络(NN)并集成所生成的优化库。本手册还介绍了 X-CUBE-AI 扩展包,该扩展
    发表于 09-07 06:15

    人工神经网络和bp神经网络的区别

    人工神经网络和bp神经网络的区别  人工神经网络(Artificial Neural Network, ANN)是一种模仿人脑
    的头像 发表于 08-22 16:45 3440次阅读

    卷积神经网络深度神经网络的优缺点 卷积神经网络深度神经网络的区别

    深度神经网络是一种基于神经网络的机器学习算法,其主要特点是由多层神经元构成,可以根据数据自动调整神经元之间的权重,从而实现对大规模数据进行预
    发表于 08-21 17:07 2348次阅读

    卷积神经网络的工作原理 卷积神经网络通俗解释

    卷积神经网络的工作原理 卷积神经网络通俗解释  卷积神经网络(Convolutional Neural Network, CNN)是一种众所周知的深度学习算法,是
    的头像 发表于 08-21 16:49 2754次阅读

    基于传感器深度学习神经网络的血压监测系统

    这项研究开发了一款基于保形(conformal)柔性应变传感器阵列和深度学习神经网络智能血压和心功能监测系统。该传感器具有高灵敏度、高线性
    发表于 08-20 09:53 577次阅读
    基于<b class='flag-5'>传感器</b>和<b class='flag-5'>深度</b>学习<b class='flag-5'>神经网络</b>的血压监测系统

    卷积神经网络原理:卷积神经网络模型和卷积神经网络算法

    卷积神经网络原理:卷积神经网络模型和卷积神经网络算法 卷积神经网络(Convolutional Neural Network,CNN)是一种基于深度
    的头像 发表于 08-17 16:30 923次阅读

    人工智能深度学习的框架简述

    深度学习框架是用于开发和运行人工智能算法的平台,它为软件人员开发人工智能提供了模块化的基础,一般提供数据输人、编写神经网络模型、训练模型、硬件驱动和部署等多种功能。
    的头像 发表于 05-16 10:07 1409次阅读
    <b class='flag-5'>人工智能</b><b class='flag-5'>深度</b>学习的框架简述

    浅析三种主流深度神经网络

    神经网络(MLP),卷积神经网络(CNN)和递归神经网络(RNN)。 2、什么是深度神经网络 机器学习是一门多领域交叉学科,专门研究计算机怎
    的头像 发表于 05-15 14:20 613次阅读
    浅析三种主流<b class='flag-5'>深度</b><b class='flag-5'>神经网络</b>