自动驾驶异构计算能力及CNN算法研究开题报告

1. 本选题研究的目的及意义

随着人工智能技术的快速发展，自动驾驶技术正逐步走向成熟，并有望成为未来交通出行方式的重要组成部分。

自动驾驶系统的高度复杂性对车载计算平台的性能提出了严苛要求，传统的cpu架构难以满足实时性、高效能的需求。

为此，基于异构计算平台的自动驾驶系统应运而生，通过将cpu、gpu、fpga等多种计算单元进行协同工作，充分发挥各自优势，从而满足自动驾驶系统对计算能力的巨大需求。

2. 本选题国内外研究状况综述

近年来，自动驾驶技术发展迅速，异构计算和cnn算法作为其关键技术支撑，也得到了广泛关注和研究。

1. 国内研究现状

国内在自动驾驶异构计算平台和cnn算法方面取得了一定成果。

3. 本选题研究的主要内容及写作提纲

本研究主要围绕自动驾驶异构计算能力及cnn算法展开，研究内容涵盖自动驾驶相关技术、异构计算平台与技术、卷积神经网络、自动驾驶中的卷积神经网络应用以及自动驾驶异构计算平台及卷积神经网络算法设计与实现。

1. 主要内容

1.深入研究自动驾驶相关技术，包括环境感知、决策规划、控制执行等方面，分析其对计算平台性能的要求，为异构计算平台设计和cnn算法优化提供参考依据。

4. 研究的方法与步骤

本研究将采用理论分析、实验设计、仿真验证和结果分析相结合的研究方法，具体步骤如下：
1.文献调研阶段：-深入研究自动驾驶、异构计算、卷积神经网络等相关领域的国内外研究现状，了解最新的技术发展趋势和研究热点，为本研究提供理论基础和方向指导。

-收集整理相关文献资料，包括期刊、会议论文、技术报告、专利等，并进行系统性的梳理和分析，提取关键信息，构建本研究的知识体系。

2.系统设计阶段：-分析自动驾驶系统的功能需求和性能指标，确定异构计算平台的硬件架构和软件平台，并完成系统方案设计。

5. 研究的创新点

本研究的创新点主要体现在以下几个方面：
1.面向自动驾驶场景的异构计算平台设计：-针对自动驾驶系统对实时性、可靠性、低功耗的需求，设计一种高效、低功耗的异构计算平台架构，并提出相应的任务调度和资源管理策略，以充分发挥异构计算资源的优势。

2.面向异构计算平台的cnn算法优化：-针对自动驾驶场景的特点和所设计的异构计算平台架构，对cnn算法进行优化，例如模型压缩、量化、剪枝等，以提高算法的运行效率，并设计面向异构计算平台的cnn算法加速方案。

3.软硬件协同优化：-结合硬件平台的特点和算法的特性，进行软硬件协同优化，例如数据传输优化、内存访问优化、计算任务并行化等，以进一步提高系统的整体性能。

6. 计划与进度安排

第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。

第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲

第三阶段（2024.2~2024.3）查询资料，学习相关论文

7. 参考文献（20个中文5个英文）

[1] 王凯,胡正,周鑫,等.面向自动驾驶的异构计算平台与关键技术研究[j].计算机工程与应用,2021,57(17):28-39.

[2] 张浩,王飞,刘子龙,等.自动驾驶汽车的异构平台与多传感器融合技术综述[j].电子学报,2021,49(08):1523-1536.

[3] 刘洋,陈俊,郑南宁.自动驾驶中基于深度学习的目标检测方法综述[j].自动化学报,2017,43(10):1684-1702.