EO_473

AUTOMOTIVE 31 - ELETTRONICA OGGI 473 - OTTOBRE 2018 oltre ad assicurare la flessibilità sul numero di inter- facce specifiche di sensori supportate all’interno di una soluzione. Le macchine stanno andando a scuola guida Gli esseri umani acquisiscono conoscenze ed espe- rienze ogni volta che guidano, e così sarà anche per le macchine autonome che sono addestrate per gui- dare le generazioni future di veicoli. L’apprendimento automatico avrà un ruolo impor- tante nella guida autonoma, per facilitare il processo decisionale in situazioni che sono simili – anche se raramente, se non mai, identiche – a qualsiasi altra incontrata prima. Il riconoscimento delle immagini è attualmente uno degli usi più importanti delle reti neurali per l’appren- dimento automatico nella guida autonoma, per aiuta- re veicoli a riconoscere oggetti importanti come ad esempio altri veicoli, pedoni, utenti della strada vul- nerabili come i ciclisti, bivi, incroci, segnali stradali, oggetti quali ostruzioni presenti sulla strada e altri pericoli. Mentre il veicolo è in movimento, ottenere i risultati di queste analisi in tempi rapidi è critico e contribuirà a far aumentare la domanda di sistemi di apprendimento automatico integrati in tempo reale e a basso consumo. Il rapporto fotogrammi/secondo/watt costituisce una figura di merito critica per le implementazioni delle reti neurali embedded. Reti neurali “leggere” e inte- grate possono essere eseguite su FPGA utilizzando linguaggi ad alto livello come C, C++ e OpenCL, che consentono di spostare funzionalità senza soluzione di continuità dal sistema di elaborazione verso la lo- gica programmabile. I costruttori di reti neurali hanno scoperto che la natura altamente parallela dell’elabo- razione FPGA in logica programmabile, combinata con l’assenza di “colli di bottiglia” nelle memorie esterne, permette di ottenere livelli maggiori di determinismo e di reattività rispetto ad architetture alternative come le unità di elaborazione grafica (GPU). Altri interventi per incrementare il rapporto fotogram- mi/secondo/watt stanno evidenziando che i modelli di ultima generazione come le Spiking Neural Networks (SNN) possono aumentare la velocità di trasmissione dati e ridurre il consumo energetico rispetto ai model- li più tradizionali quali le reti CNN convoluzionali. Le reti SNN multicore sono state istanziate correttamen- te su FPGA, per gestire un numero elevato di canali video e supportare una velocità elevata dei fotogram- mi a fronte di un consumo energetico ridotto, pari ad appena pochi watt. In definitiva, il percorso verso i veicoli senza pilo- ta completamente autonomi è maturo, ed è passato attraverso diversi livelli di autonomia a partire dai sistemi di base per la guida assistita. La sicurezza, ovviamente, è fondamentale, ma una piattaforma di calcolo valida deve anche affrontare la sfida estrema dell’ottimizzazione dei parametri SWaP-C. L’elaborazione altamente parallela e riprogrammabile negli IC System-on-Chip multiprocessore è in grado di soddisfare le esigenze della prossima generazio- ne di sistemi senza pilota e a guida completamente autonoma. Con la presenza aggiuntiva di opportuni processori di sicurezza integrati, in grado di soddi- sfare standard industriali per la sicurezza come ISO 26262, questi dispositivi possono soddisfare i princi- pali requisiti di sistema ai massimi livelli della guida autonoma. Architettura del modulo di elaborazione centralizzato per i veicoli autonomi e senza pilota