一种用于基于深度学习的二维/三维路径规划的集成FPGA加速器

路径规划是实现移动机器人自主性的关键组成部分。然而，由于移动机器人上计算资源有限，部署最先进的方法并实现实时性能仍然具有挑战性。为此，我们提出了P3Net（基于PointNet的路径规划网络），一种轻量级的基于深度学习的方法，用于二维/三维路径规划，并设计了一个面向FPGA SoC（Xilinx ZCU104）的IP核（P3NetCore）。P3Net改进了最近提出的MPNet的算法和模型架构。P3Net采用带有PointNet主干的编码器和一个轻量级规划网络，以提取鲁棒的点云特征并从有希望的区域中采样路径点。P3NetCore由全流水线点云编码器、批处理双向路径规划器和并行碰撞检测器组成，覆盖了算法的大部分。在二维（三维）数据集上，带有该IP核的P3Net比ARM Cortex CPU和Nvidia Jetson分别快24.54-149.57倍和6.19-115.25倍（10.03-59.47倍和3.38-28.76倍），仅消耗0.255W（0.809W），并且比工作站能效高至多1049.42倍（133.84倍）。P3Net将成功率提高了至多28.2%，并规划出近最优路径，相比MPNet和最先进的基于采样的方法，在计算与解质量之间实现了显著更好的权衡。