使用FPGA构建ADAS系统简易过程

以下文章来源于OpenFPGA，作者碎碎思

之前已经介绍过《FPGA在汽车电子中应用-ADAS》，但是很多人留言说是没有相关例程，应用不够直观，所以，今天他来了-使用FPGA制作一个便携式 ADAS 系统（源码开源）。

ADAS 到底是什么？

ADAS 是车辆中的电子系统，使用先进技术来协助驾驶员。它们提供重要信息，自动执行困难任务并提高整体安全性。功能包括：

车道偏离警告 (Lane Departure Warning，LDW)：当车辆开始偏离车道时，系统会向驾驶员发出警报。显然，我们都需要一位数字伴侣陪伴在身边。

自适应巡航控制 (Adaptive Cruise Control ，ACC)：自动调整车速，与前车保持安全距离。

防撞系统（Collision Avoidance Systems）：警告驾驶员可能发生的碰撞，甚至可以自动刹车。

盲点检测（Blind Spot Detection）：通知驾驶员可能看不到的盲点中的车辆。换句话说，它可以防止因空间意识差而导致驾驶失误。

有了这些功能，计划创建一个可以让每个人的驾驶都更安全的系统。

软件

1、Vivado 设计套件

DPU IP

这里真正的主角是DPU（深度处理单元）IP 。这项神奇的技术直接在 FPGA 上运行 AI 模型，使一切变得更快、更高效。可以将其视为系统实时处理数据所需的肾上腺素。

在 DPU 中运行模型：

在 FPGA 的可编程逻辑 (PL) 中的 DPU 上运行 AI 模型。这是 ADAS 系统的核心，处理所有密集的 AI 计算，例如车道检测和物体识别。

面临的挑战：

安装难题：Vivado在发行版系统（例如Ubuntu 或者 Centos）里安装会相对简单，但是也很容易出现问题。

解决方案：在 Linux 中先安装libcurse Vivado 是解决问题的灵丹妙药。

2、CARLA 模拟器

CARLA 是一款开源自动驾驶模拟器，旨在支持 ADAS 和自动驾驶系统的开发、训练和验证。换句话说，这是一款为想要假装自己在工作的成年人准备的电子游戏。

为什么要使用 CARLA？

模拟真实驾驶场景对于测试和改进 ADAS 应用至关重要。CARLA 为实验提供了安全且可控的环境，而没有实际道路测试的风险。

面临的挑战：

XServer 错误：如何修复？

exportVK_ICD_FILENAMES="/usr/share/vulkan/icd.d/nvidia_icd.json"

如果电脑配置比较低，需要执行下面语句：

./CarlaUE4.sh-quality-level=Low

3. Vitis AI

Vitis AI 是 Xilinx 推出的一款开发平台，用于在 AMD 和 Xilinx 硬件上进行 AI 推理，可以在 FPGA 和 ACAP 上部署 AI 模型。

为什么要使用 Vitis AI？

Vitis AI 对于开发和优化 ADAS 系统的 AI 模型至关重要。它提供了量化和编译模型的工具，以便在 DPU 上高效运行。

面临的挑战：

模型优化：要使 AI 模型在 DPU 上高效运行，需要了解量化和编译技术。这就像将方形钉子装入圆孔中，只不过钉子是神经网络。

工具链复杂性：使用 Vitis AI 工具链是另一个陡峭的学习曲线。这就像解决魔方一样，只不过每次眨眼时它都会改变颜色。

4.PetaLinux

PetaLinux 是 Xilinx 硬件平台的嵌入式 Linux 发行版。它允许开发自定义应用程序并直接在 FPGA 上运行它们。

为何使用 PetaLinux？

PetaLinux 为在 KR260 上运行应用程序提供了一个强大而灵活的环境。它是将所有东西粘合在一起的粘合剂，确保软件和硬件和谐地工作。就像花生酱和果冻一样，只是有更多的命令行界面。

使用和配置PetaLinux可以自行查找资料，按照官方资料很容易构建PetaLinux系统。

构建ADAS系统简易过程

步骤 1：从 CARLA 收集数据

用它来收集数据以训练和测试 ADAS 模型。

面临的挑战：

数据管理：收集和整理数据是一个耗时的过程。必须确保数据干净且标签正确。

第 2 步：车道和物体检测

面临的挑战：

AI 模型训练：训练 AI 模型以准确检测车道和物体需要尝试不同的架构和技术。

性能调优：优化模型以使其在 DPU 上高效运行涉及量化和微调。

步骤 3：在 FPGA 上启动 PetaLinux

第四步：系统联调

集成所有组件并确保它们有效通信就像是编排一曲复杂的交响乐。确保传感器、FPGA、AI 模型和 CARLA 模拟器无缝协作。

面临的挑战：

通信协议：了解并实施组件之间的正确通信协议至关重要。这涉及学习 I2C、SPI 和以太网等接口。

同步：确保系统同步并协调运行是一项挑战。它需要精确的时间和协调。

下一步计划

自动驾驶：实现自主导航、决策和控制算法。这需要集成更多传感器并优化 AI 模型。

提高性能：增强系统的性能和可扩展性，可能升级硬件并优化软件组件。

在真实场景中测试：在真实场景中进行更广泛的测试，确保稳健性和可靠性。下一轮测试中，我可能需要更多的虚拟消防栓。

总结

这是一个偏AI应用的开源项目，适合想用FPGA进行AI研究人群研究。