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)的勞動以及交通事故,。由于ADAS對計算能力需求較高,，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)品的價格仍然是個大問題,。

    如今，移動設(shè)備計算能力的高速發(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)計算,。在業(yè)界，主要包括Nvidia支持的CUDA以及OpenCL兩個計算框架,。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，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的價格低,、實用的特點。

1 安卓應(yīng)用設(shè)計與優(yōu)化

    本文及本應(yīng)用中所使用的車道線檢測算法來自文獻(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,、車道下跟蹤的過程都可并行化處理；(2)可調(diào)性：該算法對于車道線檢測的準(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，可以基于手機(jī)配置調(diào)節(jié)車道線檢測的精度與效率,。在該車道線檢測算法中,，包括兩個調(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,，車道檢測的準(zhǔn)確率就越高,，但也意味著更高的計算量、更多的計算時間,。

1.1 應(yīng)用設(shè)計

    為了對比實驗的需要,，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,，通過開放計算語言（Open Computing Language，OpenCL）框架與開放計算機(jī)視覺（Open Computer Vsion,，OpenCV）編寫車道線檢測的C/C++代碼,；再使用NDK對其進(jìn)行編譯；再于編寫安卓應(yīng)用時,，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)動交由手機(jī)GPU進(jìn)行計算,，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算法,，主要用于桌面級平臺,，將其移植至移動平臺后，針對手機(jī)計算能力以及內(nèi)存較小的特點,，進(jìn)行了針對優(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,，針對各家手機(jī)GPU廠商的特點,，對工作組大小進(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,，能充分利用處理核心的性能^[14-15]。通過實驗,，發(fā)現(xiàn)在三款手機(jī)中工作組為128與256時，三家廠商SoC的處理時間均較低,，而榮耀6在工作組為256時,，處理時間反而上升了，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)平臺上,，內(nèi)存的大小與帶寬均低于桌面級平臺^[16],。然而，相較于桌面級平臺GPU擁有獨自的內(nèi)存,，手機(jī)GPU與CPU共享集成在SoC上的內(nèi)存,。在桌面級GPU運(yùn)行OpenCL與CUDA時，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，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車道線檢測運(yùn)算的結(jié)果,映射回CPU,，實現(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,，對上述的車道線檢測算法進(jìn)行優(yōu)化。

2 實驗結(jié)果

    如上文引言所述,，在上述三款手機(jī)上,，進(jìn)行了對比實驗。其硬件配置如表1所示,，囊括了中國市場上三家SoC廠商的系列：高通驍龍,、聯(lián)發(fā)科、華為海思,。同時,，這也涵蓋了三大手機(jī)GPU IP核提供商：高通、Imagination,、ARM,。同時，這三款GPU都提供了對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,，這三款手機(jī)的電池容量也相近,。實驗過程中,，使用本文實現(xiàn)的基于OpenCL的車道線檢測，對性能與能耗進(jìn)行比較,。

2.1 精確度與幀率

    精確度是車道線檢測的基本要求,，該車道線檢測算法使用不同調(diào)節(jié)參數(shù)Np、Nc時對應(yīng)的準(zhǔn)確度已經(jīng)在FPGA以及桌面級GPU上已經(jīng)檢測過了^[10],，此處通過判斷不同粒子數(shù)Np下,，各手機(jī)的車道線檢測幀率是否滿足使用需求。同時,，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,，在CPU-GPU模式下,，除了紅米Note2約30 fps以外，另外兩款平臺均在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%,。對于沒有使用GPU并行計算的GPU模式而言,，下降十分顯著?？梢奜penCL并行計算框架在高計算量時，加速效果十分顯著,。此外,，Np=2⁷，Nc=2⁹時,，能滿足日常使用需求^[10],，此時，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，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候手機(jī)電量所剩無幾，所以該車道線應(yīng)用對續(xù)航的影響是個很重要的問題,。對此,，對本車道線檢測應(yīng)用進(jìn)行了電量消耗測試。為了盡可能地控制變量,，如上文所述,，本文選擇的三款平臺電池容量相當(dāng)，約3 000 mAh,?？紤]到電池老化問題，選擇了三臺全新的手機(jī)進(jìn)行實驗,。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，并記錄電池使用時間,。實驗過程中無其他后臺程序,，車道線檢測參數(shù)為Np=2⁷，Nc=2⁹,，同時三臺手機(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，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,，而對于紅米Note2兩個模式的電池使用時間都較為接近,。

    其中，三款手機(jī)兩個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)行并行計算的CPU-GPU模式,，應(yīng)用所消耗電量低于單純使用CPU計算的CPU模式,。即，在本車道線檢測應(yīng)用中,，使用OpenCL框架加速,，也能降低電量的使用,。在實際車上應(yīng)用該手機(jī)ADAS時，還可以通過降低屏幕亮度以及使用車載電源充電的方式,，延長電池使用時間,，保障手機(jī)用戶的體驗。

3 結(jié)論

    本文在安卓平臺上使用了OpenCL框架,，實現(xiàn)了車道線檢測的手機(jī)ADAS應(yīng)用,。根據(jù)三款支持OpenCL框架的手機(jī)的實驗結(jié)果，手機(jī)能提供足夠計算性能以及續(xù)航能力用于車道線檢測,。如今移動安卓手機(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)與計算機(jī)學(xué)院 無人系統(tǒng)研究所,，廣東 廣州510006）