Evaluación de desempeño de un sistema de reconocimiento de objetos basado en deep learning sobre el robot humanoide NAO implementado con arquitecturas heterogéneas basadas en FPGA o GPU

Guajo Trujillo, Jose Joaquin

View/Open

Carta aprobación trabajo de grado (201.5Kb)

Constancia de aprobación de tesis de grado (224.1Kb)

Evaluación de desempeño de un sistema de reconocimiento de objetos basado en deep learning sobre el robot humanoide NAO implementado con arquitecturas heterogéneas basadas en FPGA o GPU

Date

2022

PDF Documents

Title

Performance evaluation of a deep learning based object recognition system on the NAO humanoid robot implemented with heterogeneous architectures based on FPGA or GPU.

Abstract

En esta tesis se presenta el diseño de un esquema para la integración de un robot NAO con sistemas embebidos basados en FPGA y GPU que ejecutan una CNN, con el fin de lograr el mejoramiento de la percepción visual del humanoide, manteniendo su autonomía y libre desplazamiento en su entorno. Este esquema, se basó en el uso de herramientas de software que posteriormente se conectan a los sistemas embebidos a través de una conexión Ethernet. Para cada uno de los sistemas utilizados se realiza la evaluación de desempeño teniendo en cuenta métricas como la precisión de la CNN, tiempo de inferencia y consumo de potencia. Se evalúan diferentes frameworks de aceleración de CNN sobre sistemas basados en FPGA o GPU, lo que abre la posibilidad a hacer uso de diferentes tarjetas de desarrollo. En este trabajo fue utilizado Vitis AI, el cual es el framework más reciente de Xilinx para la aceleración de CNNs.

Abstract

This thesis presents the design of a scheme for the integration of a NAO robot with embedded systems based on FPGA and GPU running a CNN, in order to achieve the improvement of the visual perception of the humanoid, maintaining its autonomy and free movement in its environment. This scheme is based on the use of software tools that are subsequently connected to the embedded systems through an Ethernet connection. For each of the systems used, performance evaluation is carried out taking into account metrics such as CNN accuracy, inference time and power consumption. Different CNN acceleration frameworks are evaluated on FPGA or GPU-based systems, which opens the possibility of using different development boards. In this work, Vitis AI was used, which is the most recent Xilinx framework for CNN acceleration.