Entwicklung eines Hardwarebeschleunigers für Graph Neuronal Networks zur Objekterkennung in eingebetteten Systemen

Umfeld

Künstliche Intelligenz hat in vielen Bereichen Einzug erhalten und ist heutzutage der de Facto Standard in der Bildverarbeitung. Häufig werden dabei Modelle eingesetzt, die mit Hilfe einer großen Datenbasis lernen vordefinierte Aufgaben lösen. Zu den aufkommenden Modellen zählen Graph Neural Networks (GNNs). Doch damit die Vorteile der künstlichen Intelligenz auch mobile Endanwendungen erreichen, muss sie eingebettet und an die begrenzten Hardwarebedingungen angepasst werden.

Aufgabe

Im Rahmen dieser Abschlussarbeit soll der Performance-Accuracy-Tradeoff der Hardwarebeschleunigung von GNN-basierter Objekterkennung auf FPGA evaluiert werden. Dafür soll zuerst ein Hardware-bewusstes Modell entwickelt werden, das anschließend mittels High-Level-Synthese auf einen FPGA gebracht wird. Optional sollen Kompressionsmöglichkeiten untersucht werden, um das Gesamtsystem in Hinblick auf Energieeffizienz und Echtzeitfähigkeit zu optimieren. Der Hardwarebeschleuniger soll in ein bestehendes Robotersystem eingebunden werden.

Voraussetzungen

• Programmiererfahrung in Python und C++
• Grundkenntnisse über Neuronale Netze
• Erfahrung im Hardwaredesign von Vorteil
• Motivation und Interesse am selbstständigen Lösen von technischen Problemen