分发分析
/ Y+ T8 [) d+ h$ Y每一个“智慧”背后，都凝聚着无数技术探索与日以继夜的努力。$ I# W0 a5 E9 p4 e$ {
/ j% F8 M/ N1 G& U* j6 A% C* d v
荒漠地区地形复杂，随处可见重叠的沙石和纵横的沟壑，种树机器人在大面积的作业过程中，如果不能及时识别障碍，并且根据路况及时调整行进路线，不仅会给机器自身造成无法评估的损坏，更会制约整体种植效率。' \( ?0 s9 \# M3 r& Q# f! w
$ s' J( G4 @/ b( ?2 p! ?6 x6 {因此，团队希望设计出一套AI视觉分析系统，能自动识别障碍并完成避障，比如识别到沙丘和沟壑能够绕行避开。但深度学习技术、人工智能应用开发的高门槛和对计算性能的极高要求，令华东师范大学师生一度陷入迷茫。
1 g! Y; [8 m5 U6 z
6 @2 ^) l/ h, m带着“逢山开路、遇河架桥”的决心，华东师范大学师生几经摸索，最终在CANN技术团队的大力支持下，通过Atlas 200 AI加速模块实现了整个AI视觉识别系统。Atlas 200能提供最高22 TOPS的算力，且具备较高能效比，借助CANN的上接主流AI框架、下联系列化硬件并统一编程接口的能力，更加便捷的将推理模型部署在Atlas 200加速模块上，并通过深度软硬件协同优化，充分释放硬件澎湃算力，让AI计算更高效。* I% R; _2 B+ T& ^- ~% T2 h9 P
2 g- G M$ e9 g% \; ]) }2 ?- n+ J# |1、CANN训练营帮助开发者迅速上手4 t8 p1 ^6 b, |6 l1 _% l
为了让大家快速上手AI应用开发，CANN技术团队专门组织了训练营活动，通过高质量的学、练、赛赋能课程，帮助华东师范大学师生全面提升开发能力。同学们满腔热情地投入到基于CANN的AI编程学习中，并将学习转化成项目实践，快速实现AI视觉分析系统基础模型和相关推理应用。
7 D9 u2 v+ J3 m- s2 c7 J! f; N( s- H j9 C1 X8 ~* D' E+ ~; a7 o9 _
& X' I$ R% }, n% f0 V! ?' Y
% c* R9 |) D8 g& ~5 f2 ]2、软硬协同技术助力训练效率提升
1 Y1 ?9 @7 w5 h正所谓“纸上得来终觉浅，绝知此事要躬行”。在之前的实地荒漠测试阶段，挖坑机器人曾由于光照环境与实验室环境差异较大，无法准确识别障碍物，因此还必须现场增加实地数据集进行训练，而在当时的情况下，根本不具备快速处理数十万张图片的计算能力。团队选用ModelArts一站式开发平台，高效调度数据中心的高算力昇腾设备，该平台借助CANN的深度算子融合、自动任务流水、智能计算调优等软硬协同优化技术充分释放硬件算力，便捷快速地完成数据训练，挖坑机器人基于训练后的模型在真实环境下获得了更强的环境识别和自主避障能力。8 E- S+ I W( K1 k, O- \8 \; v
5 }4 }, s& _" P+ w8 `! s3 K$ @ x3、图像预处理加速浇水机器人育苗桶识别9 j" F5 q; k+ [
负责浇水的机器人在AI图像识别方面也面临着重重挑战，实测阶段团队发现机器人对育苗桶的识别帧率较低，时延较高，导致经常错过浇水时机，团队积极改进，借助CANN的异步任务下发通道，驱动多个硬件加速器多路并行处理，降低任务下发时延，有效加速了浇水机器人的图像处理效率，真正实现了实时、高效育苗。; @, V+ L) E, ~! @2 i: X
, U( @0 x( L" s$ \3 j4、极简开发体系支撑算子快速开发$ {! i& r- T0 @8 M7 G U: r9 y
整个AI处理部分，机器人依靠CANN算子库中丰富的内置高性能算子，支撑起神经网络训练，并加速推理过程。但由于是全新的业务场景，存在部分神经网络算子不支持的情况，而CANN持续升级的算子开发体系在这种情况下发挥了重要作用，同学们通过全新开发以及基于算子库小算子组合方式，快速搞定了看似复杂的算子开发，保证了整个项目的顺利进行。
8 f2 }0 r4 S9 d n+ Y( W& M- d8 c2 n$ z2 \7 M3 R
最终，基于昇腾AI视觉分析系统，机器人如同装上了“最强大脑”，能够对海量卫星地形数据进行快速分析，识别出适宜种植的区域，预测障碍规避路线，实现AI智能路线规划，同时对于局部障碍，通过相机实时捕捉前方物体画面，快速完成局部检测和识别。配合标准化的免灌溉育苗种植装置和智能监测平台，“种树机器人”集群可以将种植效率提高100倍以上，成活率提高至95%以上。8 O. C4 n% L5 j
; Y* o8 g9 A5 T- v! A
! N# H @& X% W% T# v( }; t7 j |
