0 引言

    先進(jìn)駕駛輔助系統(tǒng)(Advancend Driving Assistant System，ADAS)常用于提高駕駛體驗(yàn)以及駕駛安全性，例如自適應(yīng)定速巡航系統(tǒng)^[1]與智能速度調(diào)節(jié)系統(tǒng)^[2]能有效減少司機(jī)的勞動(dòng)以及交通事故。由于ADAS對(duì)計(jì)算能力需求較高，通常運(yùn)行在特殊的處理單元中，這類車載電子設(shè)備行業(yè)中分為車載前裝、后裝。其中后裝市場(chǎng)中的Mobileye，能提示司機(jī)車道偏離以及提示車距過近。盡管在過去數(shù)十年里，ADAS技術(shù)高速發(fā)展^[3]，各類前裝、后裝ADAS產(chǎn)品的價(jià)格仍然是個(gè)大問題。

    如今，移動(dòng)設(shè)備計(jì)算能力的高速發(fā)展以及GPU在手機(jī)片上系統(tǒng)(System on Chip，SoC)上的集成使得在手機(jī)上運(yùn)行高計(jì)算需求的任務(wù)成為可能^[4-5]。此外，智能手機(jī)配置的高清相機(jī)以及便于交互的觸摸屏，以及其低廉的價(jià)格，非常適合運(yùn)行基于視覺的手機(jī)ADAS應(yīng)用^[6]。不僅如此，在高通即將發(fā)布的驍龍835 SoC上已經(jīng)支持Tensorflow機(jī)器學(xué)習(xí)框架，能通過手機(jī)運(yùn)行基于深度學(xué)習(xí)的ADAS應(yīng)用。

    目前，業(yè)界主要使用FPGA以及GPU的并行能力，加速科學(xué)計(jì)算。在業(yè)界，主要包括Nvidia支持的CUDA以及OpenCL兩個(gè)計(jì)算框架。相較于CUDA只支持在Nvidia的顯卡上運(yùn)行，OpenCL框架提供了異構(gòu)并行計(jì)算的解決方案，其中包括FPGA、GPU、CPU，尤其是其支持手機(jī)GPU。按照OpenCL API編寫的內(nèi)核函數(shù)，能在處理核心（如：GPU、FPGA等設(shè)備）上并行運(yùn)行。通過OpenCL框架，能充分利用手機(jī)GPU進(jìn)行異構(gòu)并行計(jì)算^[7-9]，進(jìn)而高效運(yùn)行部分基于視覺的ADAS應(yīng)用。雖然iOS上的Metal框架與OpenCL比較類似，但目前而言，只有安卓系統(tǒng)支持基于OpenCL的應(yīng)用。

    基于性能評(píng)估的需要，本文選擇了3款手機(jī)，分別為：小米5（Mi 5）、紅米Note2（Redmi Note 2）、華為榮耀6（Honor 6）。這三款手機(jī)囊括了市面上常見的SoC廠商（高通、聯(lián)發(fā)科、華為），均集成了支持OpenCL的GPU；同時(shí)，這三款手機(jī)均位于1 000～2 000人民幣的區(qū)間，能表現(xiàn)手機(jī)ADAS的價(jià)格低、實(shí)用的特點(diǎn)。

1 安卓應(yīng)用設(shè)計(jì)與優(yōu)化

    本文及本應(yīng)用中所使用的車道線檢測(cè)算法來自文獻(xiàn)[10，11]，此處不再贅述。選擇上述算法的原因如下：(1)并行性：上述算法主要基于粒子濾波，在預(yù)處理、車道線檢測(cè)、車道下跟蹤的過程都可并行化處理；(2)可調(diào)性：該算法對(duì)于車道線檢測(cè)的準(zhǔn)確度可通過粒子濾波的粒子數(shù)、采樣數(shù)等參數(shù)調(diào)節(jié)。在手機(jī)上運(yùn)行時(shí)，可以基于手機(jī)配置調(diào)節(jié)車道線檢測(cè)的精度與效率。在該車道線檢測(cè)算法中，包括兩個(gè)調(diào)節(jié)參數(shù)：Np,粒子濾波中粒子的數(shù)量；Nc，粒子濾波中重采樣過程中候選線的數(shù)量。通常而言，Np與Nc越大，車道檢測(cè)的準(zhǔn)確率就越高，但也意味著更高的計(jì)算量、更多的計(jì)算時(shí)間。

1.1 應(yīng)用設(shè)計(jì)

    為了對(duì)比實(shí)驗(yàn)的需要，需要為本應(yīng)用提供CPU運(yùn)行模式以及CPU-GPU運(yùn)行模式。分別表示車道線算法單純運(yùn)行在手機(jī)CPU上；車道線算法通過OpenCL框架，運(yùn)行在GPU上進(jìn)行并行加速。

    為了在安卓手機(jī)上使用基于C/C++的OpenCL框架，在應(yīng)用開發(fā)時(shí)需要使用Java原生接口（Java Native Interface，JNI）。開發(fā)工具包括Eclipse與安卓原生開發(fā)套件（Android Native Develop Kit, NDK）。首先，通過開放計(jì)算語言（Open Computing Language，OpenCL）框架與開放計(jì)算機(jī)視覺（Open Computer Vsion，OpenCV）編寫車道線檢測(cè)的C/C++代碼；再使用NDK對(duì)其進(jìn)行編譯；再于編寫安卓應(yīng)用時(shí)，通過JNI調(diào)用上述編譯好的C/C++內(nèi)核函數(shù)。在運(yùn)行該應(yīng)用之前需要安裝OpenCV4Android到手機(jī)上，以提供OpenCV的庫文件。對(duì)于本OpenCL安卓應(yīng)用運(yùn)行描述，如文獻(xiàn)[12]所示，應(yīng)用從Java代碼端開始，通過JNI調(diào)用執(zhí)行C/C++代碼，進(jìn)一步調(diào)用OpenCL框架的函數(shù)，完成初始化過程，再次返回C/C++層進(jìn)行數(shù)據(jù)的填充，隨后通過GPGPU驅(qū)動(dòng)交由手機(jī)GPU進(jìn)行計(jì)算，最后返回結(jié)果至Java層供進(jìn)一步使用（主要是在屏幕上顯示）。

1.2 應(yīng)用優(yōu)化

    由于上述車道線檢測(cè)算法，主要用于桌面級(jí)平臺(tái)，將其移植至移動(dòng)平臺(tái)后，針對(duì)手機(jī)計(jì)算能力以及內(nèi)存較小的特點(diǎn)，進(jìn)行了針對(duì)優(yōu)化。

    在OpenCL框架中，工作組大小，亦即數(shù)據(jù)分割程度，與多處理核心的利用率直接相關(guān)^[13]，在本應(yīng)用中，針對(duì)各家手機(jī)GPU廠商的特點(diǎn)，對(duì)工作組大小進(jìn)行優(yōu)化。其中根據(jù)Imagination與Mali公司的指引，工作組大小為128或256時(shí)，能充分利用處理核心的性能^[14-15]。通過實(shí)驗(yàn)，發(fā)現(xiàn)在三款手機(jī)中工作組為128與256時(shí)，三家廠商SoC的處理時(shí)間均較低，而榮耀6在工作組為256時(shí)，處理時(shí)間反而上升了，如圖1所示。為了兼容更多的硬件，本文選擇128作為工作組大小。

    在手機(jī)平臺(tái)上，內(nèi)存的大小與帶寬均低于桌面級(jí)平臺(tái)^[16]。然而，相較于桌面級(jí)平臺(tái)GPU擁有獨(dú)自的內(nèi)存，手機(jī)GPU與CPU共享集成在SoC上的內(nèi)存。在桌面級(jí)GPU運(yùn)行OpenCL與CUDA時(shí)，將數(shù)據(jù)從主內(nèi)存拷貝到顯卡內(nèi)存進(jìn)行運(yùn)算，再將結(jié)果從顯卡內(nèi)存拷貝回主內(nèi)存中，即需要內(nèi)存拷貝操作。為了充分利用手機(jī)SoC片上內(nèi)存的特點(diǎn)，通過內(nèi)存映射的機(jī)制，即通過“map()”與“unmap()”操作，將部分片上內(nèi)存的擁有者分配為GPU或CPU。通過這種方式，使用內(nèi)存映射而不是內(nèi)存拷貝的機(jī)制，將圖片數(shù)據(jù)從CPU的片上內(nèi)存映射到OpenCL的內(nèi)核中，并將OpenCL車道線檢測(cè)運(yùn)算的結(jié)果,映射回CPU，實(shí)現(xiàn)零拷貝。在手機(jī)上使用內(nèi)存拷貝與內(nèi)存映射機(jī)制時(shí)處理幀率如圖2所示，圖中，橫坐標(biāo)為粒子數(shù)Np，縱坐標(biāo)為幀每秒;對(duì)于Np<=2⁹，Nc=2⁹，否則Nc=2¹²。使用內(nèi)存映射機(jī)制各幀的處理速度更為穩(wěn)定，并且明顯高于使用內(nèi)存拷貝機(jī)制。

    所以本文通過修改合適工作組以及使用內(nèi)存映射代替內(nèi)存拷貝的機(jī)制，對(duì)上述的車道線檢測(cè)算法進(jìn)行優(yōu)化。

2 實(shí)驗(yàn)結(jié)果

    如上文引言所述，在上述三款手機(jī)上，進(jìn)行了對(duì)比實(shí)驗(yàn)。其硬件配置如表1所示，囊括了中國市場(chǎng)上三家SoC廠商的系列：高通驍龍、聯(lián)發(fā)科、華為海思。同時(shí)，這也涵蓋了三大手機(jī)GPU IP核提供商：高通、Imagination、ARM。同時(shí)，這三款GPU都提供了對(duì)OpenCL的支持，其中高通Adreno 530完整地支持OpenCL 2.0，Imagination PowerVR G6200支持嵌入式OpenCL 1.2，ARM Mali T628 MP4完整地支持OpenCL 1.1。不同版本OpenCL對(duì)于部分?jǐn)?shù)據(jù)類型有優(yōu)化，此處以O(shè)penCL 1.1版本的特性為準(zhǔn)。同時(shí)，這三款手機(jī)的電池容量也相近。實(shí)驗(yàn)過程中，使用本文實(shí)現(xiàn)的基于OpenCL的車道線檢測(cè)，對(duì)性能與能耗進(jìn)行比較。

2.1 精確度與幀率

    精確度是車道線檢測(cè)的基本要求，該車道線檢測(cè)算法使用不同調(diào)節(jié)參數(shù)Np、Nc時(shí)對(duì)應(yīng)的準(zhǔn)確度已經(jīng)在FPGA以及桌面級(jí)GPU上已經(jīng)檢測(cè)過了^[10]，此處通過判斷不同粒子數(shù)Np下，各手機(jī)的車道線檢測(cè)幀率是否滿足使用需求。同時(shí)，也比較了不同CPU模式以及CPU-GPU模式(即使用OpenCL框架進(jìn)行并行加速)下的情況，如圖3所示，圖中，橫坐標(biāo)為粒子數(shù)Np，縱坐標(biāo)為幀每秒；對(duì)于Np<=2⁹，Nc=2⁹，否則Nc=2¹²?？梢园l(fā)現(xiàn)，在最高效果Np=8×2⁹，Nc=2¹²時(shí)，在CPU-GPU模式下，除了紅米Note2約30 fps以外，另外兩款平臺(tái)均在40 fps以上，幀率最多降低了33%；而CPU模式均明顯低于20 fps，幀率降低了約67%。對(duì)于沒有使用GPU并行計(jì)算的GPU模式而言，下降十分顯著?？梢奜penCL并行計(jì)算框架在高計(jì)算量時(shí)，加速效果十分顯著。此外，Np=2⁷，Nc=2⁹時(shí)，能滿足日常使用需求^[10]，此時(shí)，CPU模式與CPU-GPU模式處理速度均在40 fps以上。故該車道線檢測(cè)應(yīng)用在滿足精度要求的情況下，仍然能夠高速地運(yùn)行，同時(shí)，使用OpenCL并行加速的CPU-GPU模式能在高精度要求的情況下高速運(yùn)行。

2.2 能耗統(tǒng)計(jì)與分布

    若使用手機(jī)ADAS進(jìn)行駕駛輔助耗電量很大的話，用戶無法忍受下車的時(shí)候手機(jī)電量所剩無幾，所以該車道線應(yīng)用對(duì)續(xù)航的影響是個(gè)很重要的問題。對(duì)此，對(duì)本車道線檢測(cè)應(yīng)用進(jìn)行了電量消耗測(cè)試。為了盡可能地控制變量，如上文所述，本文選擇的三款平臺(tái)電池容量相當(dāng)，約3 000 mAh?？紤]到電池老化問題，選擇了三臺(tái)全新的手機(jī)進(jìn)行實(shí)驗(yàn)。為了模擬在車上使用本手機(jī)ADAS應(yīng)用進(jìn)行車道線檢測(cè)的環(huán)境，通過屏幕播放行車記錄儀的數(shù)據(jù)，分別使用三臺(tái)手機(jī)分別在CPU模式下、CPU-GPU模式下，使用手機(jī)攝像頭獲取圖像進(jìn)行車道線檢測(cè)，并記錄電池使用時(shí)間。實(shí)驗(yàn)過程中無其他后臺(tái)程序，車道線檢測(cè)參數(shù)為Np=2⁷，Nc=2⁹，同時(shí)三臺(tái)手機(jī)屏幕的亮度均調(diào)至最高。其運(yùn)行結(jié)果如圖4所示，能發(fā)現(xiàn)，基本上都能在屏幕亮度最高的情況下使用2.5 h以上。同時(shí)，使用OpenCL加速在高通驍龍與華為海思兩款SoC上增加0.5 h使用電量，而對(duì)于紅米Note2兩個(gè)模式的電池使用時(shí)間都較為接近。

    其中，三款手機(jī)兩個(gè)模式下的能耗分布如表2所示，數(shù)據(jù)來源于安卓系統(tǒng)提供的電池使用情況。能夠發(fā)現(xiàn)，使用OpenCL框架進(jìn)行并行計(jì)算的CPU-GPU模式，應(yīng)用所消耗電量低于單純使用CPU計(jì)算的CPU模式。即，在本車道線檢測(cè)應(yīng)用中，使用OpenCL框架加速，也能降低電量的使用。在實(shí)際車上應(yīng)用該手機(jī)ADAS時(shí)，還可以通過降低屏幕亮度以及使用車載電源充電的方式，延長(zhǎng)電池使用時(shí)間，保障手機(jī)用戶的體驗(yàn)。

3 結(jié)論

    本文在安卓平臺(tái)上使用了OpenCL框架，實(shí)現(xiàn)了車道線檢測(cè)的手機(jī)ADAS應(yīng)用。根據(jù)三款支持OpenCL框架的手機(jī)的實(shí)驗(yàn)結(jié)果，手機(jī)能提供足夠計(jì)算性能以及續(xù)航能力用于車道線檢測(cè)。如今移動(dòng)安卓手機(jī)已經(jīng)集成了高性能的SoC以及高分辨率的相機(jī)，十分適合基于視覺的ADAS手機(jī)應(yīng)用。市面上也有部分雙攝像頭的手機(jī)，未來或許可應(yīng)用基于雙目視覺的ADAS應(yīng)用。不僅如此，隨著支持Tensorflow深度學(xué)習(xí)框架的驍龍835的上市，手機(jī)上將有更多支持深度學(xué)習(xí)的硬件集成。在不久的將來，將可以看到基于深度學(xué)習(xí)的ADAS應(yīng)用運(yùn)行在手機(jī)上。

參考文獻(xiàn)

[1] JURGEN R K.Adaptive cruise control[J].Automotive News Europe，2005，55(6)：1943-1947.

[2] VAHIDI A，ESKANDARIAN A.Research advances in intel-ligent collision avoidance and adaptive cruise control[J].IEEE Transactions on Intelligent Transportation Systems，2003，4(3)：143-153.

[3] BERNHART W，WINTERHOFF M.Autonomous driving: disruptive innovation that promises to change the automotive industry as we know[C].Energy Consumption and Autonomous Driving，2016，16(6)：3-10.

[4] HEWENER H，TRETBAR S.Mobile ultrafast ultrasound imaging system based on smartphone and tablet devices[C].Ultrasonics Symposium.IEEE，2015：1-4.

[5] THABET R，MAHMOUDI R，BEDOUI M H.Image processing on mobile devices：An overview[C].Image Processing，Applications and Systems Conference.IEEE，2014：1-8.

[6] PETROVAI A，DANESCU R，NEDEVSCHI S.A stereovision based approach for detecting and tracking lane and forward obstacles on mobile devices[C].Intelligent Vehicles Symposium.IEEE，2015：634-641.

[7] ROSS J A，RICHIE D A，PARK S J，et al.A case study of OpenCL on an Android mobile GPU[C].High Performance Extreme Computing Conference.IEEE，2014：1-6.

[8] BACKES L，RICO A，F(xiàn)RANKE B.Experiences in speeding up computer vision applications on mobile computing platforms[C].International Conference on Embedded Computer Systems：Architectures，Modeling，and Simulation.IEEE，2015：1-8.

[9] WANG G，XIONG Y，YUN J，et al.Accelerating computer vision algorithms using OpenCL framework on the mobile GPU-A case study[C].IEEE International Conference on Acoustics，Speech and Signal Processing.IEEE，2013：2629-2633．

[10] HUANG K，HU B，BOTSCH J，et al.A scalable lane detection algorithm on COTSs with OpenCL[C].Design，Automation & Test in Europe Conference & Exhibition.IEEE，2016：229-232.

[11] ACOSTA A，ALMEIDA F.Parallel Implementations of the Particle Filter Algorithm for Android Mobile Devices[C].Euromicro International Conference on Parallel，Distributed and Network-Based Processing.IEEE，2015：244-247.

[12] KO Y，YI S，YI Y，et al.Hardware-in-the-loop simulation of Android GPGPU applications[C].Embedded Systems for Real-time Multimedia，IEEE，2014.

[13] ANDARGIE F A，ROSE J.Performance characterization of mobile GP-GPUs[C].AFRICON.IEEE，2015：1-6.

[14] Berkeley Design Technology Institute，Implementing computer vision functions with opencl on the qualcomm adreno 420[DB/OL]. [2017-02-28]http://www.bdti.com/MyBDTI/pubs/ComputerVision_OpenCL_Adreno420.pdf.

[15] Imagination Technology Limited，Building Heterogeneous Systems with PowerVR OpenCL Programmers Reference[DB/OL].[2017-02-28].https：//www.imgtec.com/down-loads/building-heterogeneous-systems-with-powervr-opencl-programmers-reference/.

[16] LEE J K，LEE J Y.Android programming techniques for improving performance[C].Awareness Science and Techno-logy(iCAST)，2011 3rd International Conference on.IEEE，2011：386-389.

作者信息:

朱  笛，張文權(quán)，蔡  行，黃  凱

（中山大學(xué) 數(shù)據(jù)科學(xué)與計(jì)算機(jī)學(xué)院 無人系統(tǒng)研究所，廣東 廣州510006）