0 引言

    先進駕駛輔助系統(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]能有效減少司機的勞動以及交通事故。由于ADAS對計算能力需求較高,，通常運行在特殊的處理單元中,，這類車載電子設備行業(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,，移動設備計算能力的高速發(fā)展以及GPU在手機片上系統(tǒng)(System on Chip,，SoC)上的集成使得在手機上運行高計算需求的任務成為可能^[4-5]。此外,，智能手機配置的高清相機以及便于交互的觸摸屏,，以及其低廉的價格，非常適合運行基于視覺的手機ADAS應用^[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機器學習框架，能通過手機運行基于深度學習的ADAS應用,。

    目前,，業(yè)界主要使用FPGA以及GPU的并行能力，加速科學計算,。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的顯卡上運行,，OpenCL框架提供了異構并行計算的解決方案,，其中包括FPGA、GPU,、CPU,，尤其是其支持手機GPU。按照OpenCL API編寫的內(nèi)核函數(shù),，能在處理核心（如：GPU,、FPGA等設備）上并行運行。通過OpenCL框架,，能充分利用手機GPU進行異構并行計算^[7-9],，進而高效運行部分基于視覺的ADAS應用。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的應用。

    基于性能評估的需要,，本文選擇了3款手機,，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,，這三款手機均位于1 000～2 000人民幣的區(qū)間,，能表現(xiàn)手機ADAS的價格低、實用的特點,。

1 安卓應用設計與優(yōu)化

    本文及本應用中所使用的車道線檢測算法來自文獻[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),。在手機上運行時,，可以基于手機配置調(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 應用設計

    為了對比實驗的需要,，需要為本應用提供CPU運行模式以及CPU-GPU運行模式,。分別表示車道線算法單純運行在手機CPU上；車道線算法通過OpenCL框架,，運行在GPU上進行并行加速,。

    為了在安卓手機上使用基于C/C++的OpenCL框架，在應用開發(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對其進行編譯,；再于編寫安卓應用時,，通過JNI調(diào)用上述編譯好的C/C++內(nèi)核函數(shù)。在運行該應用之前需要安裝OpenCV4Android到手機上,，以提供OpenCV的庫文件,。對于本OpenCL安卓應用運行描述，如文獻[12]所示,，應用從Java代碼端開始,，通過JNI調(diào)用執(zhí)行C/C++代碼，進一步調(diào)用OpenCL框架的函數(shù),，完成初始化過程,，再次返回C/C++層進行數(shù)據(jù)的填充，隨后通過GPGPU驅(qū)動交由手機GPU進行計算,，最后返回結果至Java層供進一步使用（主要是在屏幕上顯示）,。

1.2 應用優(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,，針對手機計算能力以及內(nèi)存較小的特點，進行了針對優(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^[13],，在本應用中，針對各家手機GPU廠商的特點,，對工作組大小進行優(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GPU與CPU共享集成在SoC上的內(nèi)存,。在桌面級GPU運行OpenCL與CUDA時,，將數(shù)據(jù)從主內(nèi)存拷貝到顯卡內(nèi)存進行運算,，再將結果從顯卡內(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SoC片上內(nèi)存的特點,，通過內(nèi)存映射的機制，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車道線檢測運算的結果,映射回CPU，實現(xiàn)零拷貝,。在手機上使用內(nèi)存拷貝與內(nèi)存映射機制時處理幀率如圖2所示,，圖中，橫坐標為粒子數(shù)Np,，縱坐標為幀每秒;對于Np<=2⁹,，Nc=2⁹，否則Nc=2¹²,。使用內(nèi)存映射機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)存拷貝的機制,，對上述的車道線檢測算法進行優(yōu)化,。

2 實驗結果

    如上文引言所述，在上述三款手機上,，進行了對比實驗,。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對于部分數(shù)據(jù)類型有優(yōu)化，此處以OpenCL 1.1版本的特性為準,。同時,，這三款手機的電池容量也相近。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時對應的準確度已經(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框架進行并行加速)下的情況,，如圖3所示,，圖中，橫坐標為粒子數(shù)Np,，縱坐標為幀每秒,；對于Np<=2⁹，Nc=2⁹,，否則Nc=2¹²,。可以發(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,。故該車道線檢測應用在滿足精度要求的情況下,，仍然能夠高速地運行，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行,。

2.2 能耗統(tǒng)計與分布

    若使用手機ADAS進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電量所剩無幾,，所以該車道線應用對續(xù)航的影響是個很重要的問題。對此,，對本車道線檢測應用進行了電量消耗測試,。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,，約3 000 mAh?？紤]到電池老化問題,，選擇了三臺全新的手機進行實驗。為了模擬在車上使用本手機ADAS應用進行車道線檢測的環(huán)境,，通過屏幕播放行車記錄儀的數(shù)據(jù),，分別使用三臺手機分別在CPU模式下、CPU-GPU模式下,，使用手機攝像頭獲取圖像進行車道線檢測,，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，同時三臺手機屏幕的亮度均調(diào)至最高,。其運行結果如圖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框架進行并行計算的CPU-GPU模式,，應用所消耗電量低于單純使用CPU計算的CPU模式。即,，在本車道線檢測應用中,，使用OpenCL框架加速，也能降低電量的使用,。在實際車上應用該手機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,，保障手機用戶的體驗,。

3 結論

    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ADAS應用,。根據(jù)三款支持OpenCL框架的手機的實驗結果,，手機能提供足夠計算性能以及續(xù)航能力用于車道線檢測。如今移動安卓手機已經(jīng)集成了高性能的SoC以及高分辨率的相機,，十分適合基于視覺的ADAS手機應用,。市面上也有部分雙攝像頭的手機，未來或許可應用基于雙目視覺的ADAS應用,。不僅如此,，隨著支持Tensorflow深度學習框架的驍龍835的上市，手機上將有更多支持深度學習的硬件集成,。在不久的將來,，將可以看到基于深度學習的ADAS應用運行在手機上。

參考文獻

[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,，蔡  行,，黃  凱

（中山大學 數(shù)據(jù)科學與計算機學院 無人系統(tǒng)研究所，廣東 廣州510006）