Desain dan Implementasi Deep Neural Network Hardware Accelerator Dengan FPGA Untuk Navigasi Visual Self Driving RC Car

Suryajaya, Kadek Wirawan (2024) Desain dan Implementasi Deep Neural Network Hardware Accelerator Dengan FPGA Untuk Navigasi Visual Self Driving RC Car. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022201244-Undergraduate_thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Pengembangan self-driving car sudah dimulai sejak tahun 1988. Sejak saat itu, terdapat banyak inovasi dalam penelitian yang memungkinkan self-driving car untuk berkendara di jalan raya. Berbagai inovasi tersebut didukung oleh berkembangnya teknologi komputer yang memungkinkan pemrosesan data yang cepat oleh algoritma komputer yang kompleks. Solusi yang diterapkan saat ini menggunakan komputasi CPU, GPU, atau ASIC. Media komputasi lain yang berpotensi memberikan performa yang lebih baik yaitu FPGA, yang memiliki tingkat abstraksi yang lebih rendah dibandingkan dengan CPU dan GPU. Dengan FPGA, sebuah algoritma bisa diimplementasikan secara optimal dengan sistem paralel. DNN merupkan salah satu algoritma yang digunakan untuk aplikasi vision teknologi self driving. Pada DNN, terdapat banyak operasi yang dapat diimplementasikan dengan sistem paralel. Penelitian ini menggunakan development kit Kria KV260 dari Xilinx beserta High Level Synthesis untuk menghasilkan kode RTL untuk implementasi pada FPGA. Dengan menggunakan Vitis HLS, penelitian ini dapat mengembangkan implementasi DNN pada FPGA dengan performa eksekusi terbaik yaitu 1,8x lebih lambat daripada implementasi pada CPU, yang menunjukkan bahwa metode yang digunakan tidak cocok untuk DNN. Model yang dikembangkan kemudian berhasil diimplementasikan untuk mobil RC self-driving dengan kecepatan stabil pada 0,4 m/s. Saran penelitian selajutnya untuk meningkatkan performa FPGA yaitu menggunakan Deep Learning Processing Unit dari Xilinx dan menggunakan metode operasi konvolusi yang lebih optimal.
==============================================================================================================================
The development of self-driving cars began in 1988. Since then, there have been many innovations in research that have made it possible for self-driving cars to drive on busy highways. These various innovations are possible due to the development of computer technology which enables fast data processing by complex computer algorithms. Current implemented solutions use CPU, GPU, or ASIC computing. Another computing medium that has the potential to provide better performance is FPGA, which has a lower level of abstraction compared to CPU and GPU. With FPGA, an algorithm can be implemented optimally with a parallel system. DNN is one of the algorithms used in vision system for self-driving technology. In DNN, there are many operations that can be implemented in parallel and could offer faster execution time compared to other computing system. This research uses the Kria KV260 development kit from Xilinx along with High Level Synthesis to generate RTL code for FPGA implementation. Using HLS, this research was only able develop DNN implementation on FPGA with the best performance that is 1.8x slower than implementation on CPU, suggesting that the method used is not suitable for DNN. The developed model is then successfully implemented for RC car self-driving with stable speed at 0.4 m/s. Future works to improve FPGA performance includes using Deep Learning Processing Unit from Xilinx and using more optimal convolution operation method.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	FPGA, DNN, Self-Driving, RC Car, Autonomous
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7895.G36 Field programmable gate arrays--Design and construction.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Kadek Wirawan Suryajaya
Date Deposited:	04 Sep 2024 03:31
Last Modified:	04 Sep 2024 03:31
URI:	http://repository.its.ac.id/id/eprint/110649

Actions (login required)

View Item