Эффективные
FPGA и IP-блоки
для комплексных задач
_

Вызов:
Создание высокопроизводительных устройств на основе FPGA (ПЛИС) систем, для решения нестандартных задач видеоаналитики и видеообработки с применением искусственного интеллекта.
Эффективные
FPGA и IP-блоки
Вызов:
Создание высокопроизводительных устройств на основе ПЛИС систем, для решения задач видеоаналитики и видеообработки с применением искусственного интеллекта.




Сегодня FPGA используется там, где нужна высокая производительность обработки данных, наименьшее время реакции, а также низкое энергопотребление. Такие устройства могут эффективно выполнять узкоспециализированные задачи, с которыми не способны быстро справиться традиционные процессоры или видеокарты.

Эффективность FPGA
Скорость
Х20
По сравнению с универсальной архитектурой CPU решение задачи на FPGA быстрее до ~20 раз
Потребление
X10
Энергопотребление при этом меньше в ~10 раз
Скорость
Х1
По сравнению с параллельной архитектурой GPU время решения задачи на FPGA соизмеримо
Потребление
X20
Но энергопотребление при этом меньше до ~20 раз
Экспертиза НКБ ВС
От исследований до тестирования готовых изделий
Разработка алгоритмов

От анализа существующих решений до аппаратной оптимизации

Разработка конфигураций FPGA, IP-блоков
с использованием технологии IP-Core (IP-блоков) и популярных внутрисистемных интерфейсов (AMBA, AXI). На базе FPGA мировых брэндов (Intel, AMD, GOWIN и др.)
Верификация
с использование технологий SystemVerilog (SVA, OVM, UVM)
Прототипирование
на базе DesignKIT и модулей собственной разработки
Разработка системного ПО
для операционных систем Windows, Linux, RTOS, ROS
Тестирование изделий

с использованием собственных методик, спецификаций, ПО и стендового оборудования

Примеры работы
Результаты

В НКБ ВС разработано и производится более 50 устройств, использующих технологию FPGA для решения следующих задач видеобработки и видеоаналитики:

  • NeuralNetwork Acelleration
  • Stereo (Disparity Map)
  • MultiViewStereo
  • 3D-reconstruction
  • ISP (Scale, UnDistortion, DeInterlace, Rectification, BayerTransform, Stabilization, LocalContrast

Достигнутая эффективность
на примере реальных задач
(по сравнению с Intel I5 4.2 ГГц)
Построение карт высот местности


Скорость ↑ x11
Потребление ↓ x6
Классификация объектов
с использованием нейросетей

Скорость ↑ x20
Потребление ↓ x9
Карта глубины
для 3D-реконструкции

Скорость ↑ x24
Потребление ↓ x10
Сферы применения
_
  • Системы безопасности;
  • Робототехника;
  • Видеоаналитика;
  • Умные сенсоры;
  • Сетевая инфраструктура.
Сферы применения
  • Системы безопасности
  • Робототехника
  • Видеоаналитика
  • Умные сенсоры