一种基于区域的、节能的、点云处理的三维物体检测算法，采用特征解耦的PointNet技术，适用于自动驾驶应用

《IEEE Transactions on Circuits and Systems I: Regular Papers》：An Area- and Energy-Efficient Point-Based 3-D Object Detection Processor With Feature-Decoupled PointNet for Autonomous Driving

　　

最近的基于点的神经网络在3D物体检测方面表现出了良好的性能，它们可以直接处理原始点云而无需将其转换为体素。然而，由于采样、分组和神经网络操作的计算需求各不相同，这些网络存在阶段特定的计算瓶颈。本文提出了一种面积和能耗效率高的处理器，通过算法与硬件的协同优化来加速基于点的神经网络，从而降低延迟。所提出的特征解耦PointNet通过分离多层感知器（MLPs）实现了点特征的复用，将MAC操作减少了高达67.6%，同时保持了准确性。此外，基于密度的自适应块剪枝技术消除了过度密集区域中的冗余计算，显著降低了采样和分组的计算成本。该3D物体检测处理器通过结合双核架构和轻量级的优先级移位寄存器，有效地并行化了分组过程，从而缓解了工作负载不平衡问题。它还采用了双中心融合层数据流设计，最大化了处理单元（PE）的利用率，同时大幅减少了对外部内存的访问。此外，掩码最大池化单元将数据收集步骤集成到池化逻辑中，消除了对单独收集单元的需求，提高了面积和功耗效率。实验结果表明，该设计能够实现实时3D物体检测，吞吐量达到77.9帧/秒，并在KITTI数据集上取得了83.11 mAP的高准确率，在准确性和吞吐量方面均超过了以往的技术。由于其低能耗（2.5 mJ/帧）和高面积效率（24.0帧/平方毫米），该处理器特别适合用于自动驾驶的嵌入式系统。