Accordo tra Renesas and Fixstars per lo sviluppo del software AD and ADAS AI per i SoC R-Car

Renesas Electronics Corporation, uno dei principali fornitori di soluzioni avanzate per semiconduttori, e Fixstars Corporation, leader globale nella tecnologia di accelerazione CPU/GPU/FPGA multi-core, hanno annunciato lo sviluppo congiunto di una suite di strumenti che consente l’ottimizzazione e simulazione rapida di software per sistemi di guida autonoma (AD) e sistemi avanzati di assistenza alla guida (ADAS) appositamente progettati per i dispositivi system-on-chip (SoC) R-Car di Renesas. Questi strumenti consentono un rapido sviluppo di modelli di rete con un riconoscimento degli oggetti altamente accurato fin dalla fase iniziale, sfruttando le prestazioni del SoC R-Car. Questo permette una riduzione dei tempi di messa a punto finali.

“Renesas continua a creare ambienti di sviluppo integrati che consentono ai clienti di adottare l’approccio “software-first”,” ha dichiarato Hirofumi Kawaguchi, Vicepresidente della divisione Automotive Software Development di Renesas. “Supportando lo sviluppo di modelli di deep learning su misura per R-Car, aiutiamo i nostri clienti a creare soluzioni AD e ADAS, riducendo al tempo stesso il time-to-market e i costi di sviluppo.”

“GENESIS for R-Car, che è un ambiente di valutazione basato su cloud creato insieme a Renesas, consente agli ingegneri di valutare e selezionare i dispositivi nelle prime fasi dei cicli di sviluppo ed è già stato utilizzato da molti clienti,” ha dichiarato Satoshi Miki, CEO di Fixstars. “Continueremo a sviluppare nuove tecnologie allo scopo di accelerare le operazioni di apprendimento automatico (MLOps), le quali possono essere utilizzate per mantenere le ultime versioni del software nelle applicazioni automotive.”

Le odierne applicazioni AD e ADAS utilizzano il deep learning per ottenere un riconoscimento degli oggetti estremamente accurato. L’elaborazione dell’inferenza di deep learning richiede enormi quantità di calcoli e capacità di memoria. I modelli e i programmi eseguibili sulle applicazioni automotive devono essere ottimizzati per un SoC dedicato, questo perché l’elaborazione in tempo reale con unità aritmetiche e risorse di memoria limitate può essere un compito impegnativo. Inoltre, il processo di valutazione del software durante la verifica deve essere accelerato e gli aggiornamenti devono essere applicati ripetutamente per migliorare l’accuratezza e le prestazioni. Renesas e Fixstars hanno sviluppato i seguenti strumenti progettati per soddisfare queste esigenze.

Questo strumento genera modelli di rete di deep learning che utilizzano in modo efficiente l’acceleratore CNN (convolutional neural network), il DSP e la memoria sul dispositivo R-Car. Ciò consente agli ingegneri di sviluppare rapidamente modelli di rete leggeri che ottengono un riconoscimento degli oggetti estremamente accurato e tempi di elaborazione rapidi anche senza una profonda conoscenza o esperienza con l’architettura R-Car.

Questo compilatore converte i modelli di rete ottimizzati in programmi che possono sfruttare appieno il potenziale prestazionale di R-Car. Converte i modelli di rete in programmi che possono essere eseguiti rapidamente sull’IP della CNN ed esegue anche l’ottimizzazione della memoria, in modo da massimizzare le prestazioni nell’ambito di memoria SRAM ad alta velocità ma con capacità limitata.

Questo simulatore può essere utilizzato per verificare rapidamente il funzionamento dei programmi su un PC, piuttosto che sul vero e proprio chip R-Car. Utilizzando questo strumento, gli sviluppatori possono generare gli stessi risultati operativi che verrebbero prodotti da R-Car. Se l’accuratezza del riconoscimento dell’elaborazione dell’inferenza viene influenzata durante il processo di creazione di modelli più leggeri e di ottimizzazione dei programmi, gli ingegneri possono fornire un riscontro immediato allo sviluppo del modello, accorciando così i cicli di sviluppo.

Renesas e Fixstars continueranno a sviluppare software per il deep learning con il programma congiunto “Automotive SW Platform Lab” ed a creare ambienti operativi che mantengano e migliorino l’accuratezza e le prestazioni del riconoscimento, grazie ad un aggiornamento continuo dei modelli di rete.