La société de traitement de la perception basée sur la vision Recogni a introduit une carte PCIe qui permet de configurer son processeur d’IA spécialement conçu pour l’inférence dans les véhicules autonomes pour toute application de mobilité autonome.
La nouvelle carte Pegasus PCIe permet à son processeur Scorpio – qui, selon Recogni, est la première solution d’inférence de classe 1000 TOPS (Peta-Op) au monde pour la mobilité autonome – d’être intégré à toute solution de mobilité nécessitant une capacité autonome, lorsqu’elle est utilisée conjointement avec le SDK de l’entreprise. .
Pegasus peut traiter jusqu’à quatre caméras de 8 mégapixels pour fournir des vues frontales et surround, et utilise le SDK Recogni pour convertir, compiler, profiler et déployer des modèles. Les résultats de perception incluent la détection d’objets 3D, la détection d’usagers de la route vulnérables, la détection de voie, la détection d’espace libre et la détection de feux de signalisation/panneaux de signalisation, faisant de Pegasus une solution flexible pour une variété d’applications de mobilité autonome, notamment les robots-taxis, les camions autonomes, les drones et les véhicules de livraison autonomes. , et l’aviation autonome.
Contrairement aux solutions traditionnelles basées sur une technologie existante et réutilisées pour la tâche monumentale de traitement de la perception de l’IA pour la mobilité autonome, Recogni a déclaré que son système est spécialement conçu pour surmonter les barrières de calcul et d’efficacité énergétique spécifiques à la mobilité autonome. Il a ajouté que l’utilisation de Pegasus en conjonction avec le SDK Recogni prouve que l’accélérateur spécialement conçu par Recogni, Scorpio, est prêt à être implémenté dans une variété d’applications autonomes. Grâce à son haut degré de flexibilité de développement et de déploiement, Pegasus prétend également permettre une mise sur le marché plus rapide des applications de mobilité autonome.
Lors d’un briefing avec Embedded.com, le directeur des produits, RK Anand, a expliqué que la conduite automatisée nécessite plusieurs caméras haute résolution et des performances de traitement d’IA élevées, mais que les solutions actuelles ne peuvent pas répondre aux objectifs des équipementiers en matière de puissance et de coût du système. Il a déclaré : « À mesure que les données des caméras arrivent, elles constituent un torrent ininterrompu d’informations. Le calcul dominant dans cette IA de vision est le traitement de la perception, qui représente plus de 80 % du calcul. Les deux principaux problèmes sont donc les suivants : tous les paramètres requis peuvent-ils être contenus sur la puce et les données peuvent-elles être traitées assez rapidement dès leur arrivée.
Le processeur Scorpio de l’entreprise a été développé pour relever ce défi, a-t-il déclaré, et a été conçu en moins de 15 mois entièrement dans le cloud pendant la pandémie de Covid. Il utilise un système de numérotation de journaux et une méthode de compression brevetée pour obtenir ce qu’il dit être une précision comparable à celle du FP32, mais avec une puissance de calcul considérablement réduite. Anand a déclaré que le traitement dans le domaine des journaux est la clé pour augmenter la densité de calcul.
Recogni a déclaré que sa solution peut atteindre 1 000 TOPS avec moins de 10 ms de délai de traitement et une consommation électrique inférieure à 25 watts. Cette solution est 10 à 20 fois plus économe en énergie que les solutions concurrentes, permet une flexibilité dans la conception des piles de véhicules à conduite autonome et minimise l’impact sur l’autonomie de conduite. De plus, avec un temps de traitement court de moins de 10 ms, l’unité de commande électronique (ECU) dispose de suffisamment de temps pour prendre les décisions de conduite nécessaires. Une capacité de calcul élevée, un traitement efficace, une faible latence et une faible consommation d’énergie sont les piliers de la plateforme Recogni.
Dans notre briefing le plus récent, Anand a réitéré que le traitement avec Scorpio est effectué à la plus haute résolution. En outre, il a souligné la détection d’objets 3D haute résolution à longue portée, la fonction de consommation inférieure permettant 40 TOPS/Watt, éliminant le besoin de refroidissement liquide, et comment cela équivaut à augmenter l’autonomie de conduite. Il a également déclaré qu’en parallélisant le pipeline de l’entrée du capteur à la sortie ML, cela permet un traitement haute résolution avec la latence la plus faible.