近日， 电子设计自动化领域著名会议DATE 2023（Design, Automation and Test in Europe，欧洲设计自动化与测试会议）在比利时安特卫普顺利召开，电子信息与电气工程学院计算机系先进体系结构实验室团队成员参加此次大会，凭借点云神经网络加速器的相关成果获得了Embedded Systems Design领域最佳论文奖。

获奖的论文题目为“PRADA: Point Cloud Recognition Acceleration via Dynamic Approximation”，该研究基于现有点云数据普遍存在的空间相似性特点，提出了一种动态近似算法，通过copy-and-paste的方式减少相似计算，此外配合一个专用的硬件加速器，高效地检测并跳过相似数据的冗余计算，在神经网络精度影响较小的前提下，获得了高达12倍的性能提升。

研究动机

随着自动驾驶、机器人的兴起，研究针对点云数据的加速技术变得越发必要，为了优化点云神经网络的执行效率，本文研究发现，由于邻居点在点云空间中存在大量重复访问，特征计算操作引入了较多相似计算。如下图所示，在LSMatrix中，P1、P2、P4的第一个向量，以及P1、P2的第二个向量都十分相似，因为它们拥有相同的特征向量F3和F6，导致后续的特征计算（multi-layer perceptron，MLP）变得冗余。另外，本研究分析了邻居点的重复访问情况，发现超过80%的数据存在4次以上的重复访问。然而，由于邻居点的特征向量是动态生成的，因此亟需一种高效的动态近似策略，自顶向下以软硬件协同的思路，实时捕捉数据相似性并准确地跳过不必要的计算，实现点云的实时、高效处理，赋能L5级完全自动驾驶。

研究成果

基于上述动机，本研究首先提出了一种基于动态近似的点云加速算法，如下图所示，整体算法包括提前聚类、动态近似、特征计算、以及重建等共四个步骤，最终将特征输入矩阵挤压成规则的、小型无冗余的输入矩阵，从而大幅降低特征计算步骤的计算量；另一方面，本研究考虑到点云处理对识别精度的高要求，创新性地提出了结果特征重建的操作，通过定义“参考点”-“当前点”，将参考点的结果特征用于重建当前点的结果特征，避免了直接忽略当前点所带来的损失。

为了进一步加速所提算法的执行效率，本研究根据软硬件协同设计的理念，定制化了专用动态近似点云加速算法的加速器架构，该架构利用轻量级高速缓存记录曾访问过的邻居点索引，从而实现动态检测相似性并跳过相应冗余计算的过程。最终实验表明，本研究所提算法在识别准确率损失可忽略的前提下，相较CPU实现了12倍的性能提升。

作者简介

该论文的第一作者宋卓然为上海交通大学计算机科学与工程系助理研究员。目前共发表会议、期刊论文20余篇，其中包括ISCA、MICRO、TCAD、DAC等计算机体系结构国际顶级会议/期刊论文。曾获ACM Chinasys优秀博士论文奖，上海市计算机学会优秀博士学位论文奖，上海交通大学优秀毕业生等。主要研究兴趣包括计算机体系结构、AI专用芯片架构设计、AI软硬件协同设计。

关于会议

欧洲设计自动化与测试学术会议（Design, Automation and Test in Europe，DATE）是固定在欧洲每年举行的电子设计自动化的主题会议，创办三十年来，DATE已经成为全球电子设计与测试领域的著名学者、企业界专家的交流盛会。会议涉及电子和（嵌入式）系统工程技术研究的各个方面，涵盖了从集成电路到大规模分布式系统的电子产品设计自动化的设计、测试和工具。会议范围还包括为电信、无线通信、多媒体、医疗保健和汽车系统等具有挑战性的应用领域制定设计要求和新架构。

论文链接：

https://github.com/songzhuoran/songzhuoran.github.io/blob/master/docs/paper-files/DATE23_point_cloud_final.pdf