Partner des Projekts KI4BoardNet demonstrieren auf dem AI & Data Summit and Quantum Summit 2024 [1] Ergebnisse des erreichten Hauptmeilensteins.
Demonstriert wird eine beschleunigte 2D-Objekterkennung auf einem stark ressourcenbeschränkten System unter Verwendung eines hardware-implementierten KI-Beschleunigers. Die demonstrierte anwendungsspezifischen System-on-Chip (SoC)-Architektur wurde mit Hilfe eines generatorbasierten Entwurfsprozesses entwickelt, welche die flexible Adaption der SoC-Architektur an unterschiedliche Deep Neural Network (DNN)-Modelle ermöglicht.
Der vorgestellte FPGA-Demonstrator implementiert eine RISC-V-basierte SoC-Architektur zur Beschleunigung einer DNN-gestützten Objekterkennung, basierend auf YOLOv7. Der Algorithmus ist ein One-Shot-Klassifikator, der pro Kamerabild für jedes erkannte Objekt eine 2D Bounding Box schätzt. Die DNN-spezifische Architektur ermöglicht eine optimale Nutzung der Hardware-Ressourcen, was beispielsweise in einer energie-effizienten Implementierung resultiert.
Die demonstrierten Ergebnisse stellen einen wichtigen Schritt bei der Entwicklung zukunftsfähiger Energie- und Datenbordnetze im Fahrzeug dar.
