< Terug naar vorige pagina

Project

Hardware-bewuste, context-schaalbare beeldverwerking voor ingebedde visuele navigatie

Ingebedde beeldverwerking in reele tijd trekt veel belangstelling naar zich toe, met een recente toename door projecten zoals de Google Glasses. Een voorbeeld van een nieuwe toepassing, die nog meer afhankelijk is van van deze ingebedde beeldverwerking, is een robot met visuele navigatie (bijvoorbeeld een kleine vliegende robot, of micro-UAV, die in staat is om autonoom te navigeren). Dergelijke nieuwe robots maken een toenemend aantal opwindende toepassingen mogelijk, gaande van surveillance van grote gebieden zoals industriele sites of akkers tot reddingsmissies en brandweerinterventies. Echter, de rekenlast van de onvermijdelijke, continue beeldsensor werpt conflicten op met de schaarse energie- en rekenkundige capaciteit aan boord van de kleine UAV. Bijgevolg heeft de huidige research een sterke nadruk op computationele efficientie.
Context-bewuste toestellen zijn in staat om autonoom de context van de omgeving te detecteren en om de verwerkingstechnieken aan te passen voor een meer efficiente verwerking. Tot nu toe blijft deze context-schaalbaarheid in visuele navigatie beperkt tot het software niveau, onder de vorm van adaptieve algoritmes. Het uitgangspunt van dit onderzoek is dat beeldverwerking ook context-schaalbaarheid op het hardware-niveau kan benuttten om degemiddelde energie-efficientie te verhogen. Uitgaande van deze veronderstelling, is het doel van dit project om een context-gedreven hardware zelf-configureerbaarheid mogelijk te maken voor visuele navigatie op mobiele platformen. Dit resulteert in een ingebedde beeldverwerking die, door een gecoordineerde adaptiviteit van zowel het algoritmische als het hardware-niveau, dynamisch zijn energieverbruik kan aanpassen aan de huidige omgeving.
Deze aanpak introduceert een heel nieuwe kijk op de optimalisatie van ingebedde beeldverwerking. In plaats van algoritmes te optimaliseren om een minimale rekentijd per frame te hebben onder de slechtst mogelijke omstandigheden, willen we een systeem ontwikkelen dat zijn hardware infrastructuur dynamisch kan aanpassen aan de moeilijkheid van de uitgevoerde taak. Dit laat toe om moeite en energie te sparen wanneerhet systeem niet werkt onder de slechtst mogelijke omstandigheden.
De nieuwe technieken die toegepast zullen worden om deze context-bewustheid en de resulterende energie-efficientie te bereiken, zijn:
- Het mogelijk maken van schaalbare 'energy-performance trade-offs' op het hardware-niveau: om dynamisch energie- en prestatie-schaalbaarheid mogelijk te maken, is de ontwikkeling van nieuwe, herconfigureerbare hardware voorbeeldverwerking nodig. In tegenstelling tot sterk geoptimaliseerde vaste-hardware systemen of volledig programmeerbare GPU structuren, moeten de schaalbaarheidsfactoren in de hardware zo veel mogelijk worden afgestemd op algoritmische adaptiviteit binnen de beeldverwerkingstaken. Daarenboven moet de gevoeligheid van het energieverbruik aan deze schaalbaarheidsfactoren gemaximaliseerd worden.
- Introductie van kost-bewustheidin de algoritmische adaptiviteit: uitgaande van het ontworpen schaalbare platform, zal de impact van de schaalbaarheidsfactoren op het energieverbruik gemodelleerd worden. Dit moet toelaten om de meest effectieve factoren te selecteren en te behouden. De resulterende verzameling van interessante factoren zal afwijken van huidige systemen, omwille van de specifiek ontworpen hardware architectuur. De integratie van de modellen van de schaalbaarheidsfactoren resulteert in een energieverbruik-bewuste algoritmische schaalbaarheid.
- Ingebedde zelf-adaptatie beheerder: deenergieverbruik-bewuste algoritmische schaalbaarheid kan gebruikt worden om het energieverbruik aan te passen aan de navigationele context (onzekerheid van de huidige positie, visuele omgeving, vereiste nauwkeurigheid...) en het beschikbare energie-budget. Een ingebedde adaptatie-beheerder coordineert de aanpassingen van de verschillende sub-blokken, om eenmaximale prestatie te bereiken onder een vast energie-budget, of om eenminimale energie te verbruiken onder een vaste vereiste nauwkeurigheid.
Dit doctoraat wil dus nieuwe technieken omtwikkelen voor context-gedreven zelf-configureerbaarheid in energie-efficiente beeldverwerkingssystemen. Hoewel de voorziene technieken toepasbaar zijn voor alle schaalbare sensorverwerking, zullen ze worden toegepast in een concreet scenarioom de resulterende voordelen goed te kunnen kwantificeren.

Datum:2 sep 2014  →  30 sep 2018
Trefwoorden:Embedded visual navigation
Disciplines:Nanotechnologie, Ontwerptheorieën en -methoden
Project type:PhD project