面向能耗和延时的NoC映射方法

 随着对NoC平台研究的逐步深入,如何将规模庞大的应用合理地映射到NoC平台上成为亟待解决的问题之一.本文基于二维网格结构NoC平台,建立了旨在优化系统通信能耗和执行时间的统一目标函数.提出了通过优化链路负载分布间接优化延时的方法,避免了NoC等待延时精确建模的难题.并且采用蚁群算法实现了面向能耗和延时的NoC映射.调整参数λ,可以选择单一目标或者联合目标优化.本文还对映射结果进行了执行时间模拟.实验结果显示:与随机映射相比,单一目标优化在通信能耗和执行时间上分别能节省(30%~47%)和(20%~39%),而联合目标优化则能在能量支配的映射方案中进一步挖掘时间维度的潜力.     

基于SystemC的时钟周期精确交易级建模及通信细化

交易级建模通过提高建模抽象层次,加快了系统建模和仿真的速度。针对AMBA AHB协议,采用Sys-temC语言,进行了交易级建模及通信细化。结果表明,由于抽象层次部分结合了BCA(bus cycle-accurate)级描述,使得到的交易级模型包含了更多时间/协议信息,同时保留了速度优势,有利于前期验证和系统开发。而之后进行的通信细化,将抽象通道转化为模块实体和端口,对于最终RTL级实现具有重要意义。     

基于Jetson TX2的路面病害检测应用

针对目前路面病害检测方法存在落地应用难与成本高的问题,基于低功耗嵌入式平台Jetson TX2对深度学习路面病害检测模型进行落地应用。首先采用YOLOv5目标检测网络训练路面病害目标检测模型;进一步使用TensorRT方法进行模型优化与引擎模型转换;最后将路面病害检测模型部署到嵌入式平台Jetson TX2。在实际路面环境中进行实验,结果表明：在Jetson TX2嵌入式平台,对比选择兼顾准确率与检测速度的YOLOv5s作为路面病害目标检测模型,引擎模型推断精度达到了90.5%,且推理速度较原模型提高了35.1%,检测速度达到了30.7 ms,漏检率仅为0.13%。基于Jetson TX2的路面病害检测达到了准确且实时的检测效果,并有效地降低路面病害检测成本,实现了深度学习模型的落地应用,提高了路面病害检测的效率与自动化程度。     

“包-电路交换”片上路由器设计与实现

在片上网络(NoC)设计中,片上路由器的优劣将直接影响整个NoC系统的性能.文中综合考虑了包交换方式和电路交换方式的优缺点,采用"包-电路交换"方式,设计并实现了一种低硬件资源消耗、高性能的"包-电路交换"片上路由器.     

面向功耗的三维片上网络路由协议

建立了一个适合3D-NoC片上实现的路由器功耗模型,并且结合奇偶拐弯模型提出了一种面向功耗的3D-NoC路由协议.根据网络的功耗状况动态路由,优化网络功耗分布,有效避免局部功耗过大.实验结果显示,该协议能够明显改善网络功耗分布,其最大功耗和功耗方差在最优情况下可分别优化11.57%和24.61%.