ДонНТУ   Портал магистров

Яковчук Дмитрий Александрович

Факультет компьютерных наук и технологий

Кафедра компьютерной инженерии

Специальность Вычислительные машины, комплексы, системы и сети

Адаптация алгоритма для расчета параметров движения автономного наземного транспортного средства инфраструктуры SmartCity под архитектуру CUDA

Научный руководитель: к.т.н., проф., Мальчева Раиса Викторовна

Консультант: ст. пр. Кривошеев Сергей Васильевич

Резюме Биография Реферат Библиотека Ссылки Отчет о поиске Индивидуальный раздел

Реферат по теме выпускной работы

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: май 2021 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Содержание

• Введение
• 1. Актуальность темы
• 2. Цель и задачи исследования
• 3. Обзор исследований и разработок
• 4. Обзор системы управления трафиком и технологий Vehicle-to-vehicle (V2V), Vehicle-to-infrastructure (V2I), Invisible-to-Visible (I2V) в концепции развития Smart City
• 4.1 Система управления трафиком
• 4.2 Технология Vehicle-to-vehicle (V2V)
• 4.3 Технология Vehicle-to-infrastructure (V2I)
• 4.4 Технология Invisible-to-Visible (I2V)
• 5. Математическая модель динамики движения транспортного средства
• 6. Обзор программных интерфейсов для параллельного выполнения алгоритмов на GPU
• 6.1 Программный интерфейс CUDA
• 6.2 Программный интерфейс OpenCL
• 6.3 Программный интерфейс Direct compute
• 6.4 Выбор программного интерфейса для параллельного выполнения алгоритма на GPU
• Выводы
• Список источников

Введение

В настоящее время существенной проблемой является обеспечения безопасности движения транспортных средств в городских и трассовых условиях в связи с увеличением транспортных потоков. Проблема обеспечения безопасного передвижения стоит особенно остро для мегаполисов. Учитывая это, большое распространение для решения задачи построения траектории движения автономного транспортного средства получили системы, задачей которых является построение, контроль и корректировка траекторий движения автономного транспортного средства (АТС), результатом работы таких систем является повышение безопасности движения АТС на различных участках. В магистерской работе проводится исследование подсистемы расчета параметров движения АТС, которая выполняет расчет координат траектории движения АТС основываясь на его математической модели (ММ) курсового движения, а так же различных внешних факторов, которые оказывают влияние на движение транспортного средства (ТС). Учитывая, что подсистема расчета параметров движения АТС требует больших вычислительных мощностей (т.к. выполняется в режиме реального времени), то для ее эффективной работы следует применять высокопроизводительные параллельные вычисления на GPU.

В магистерской работе выполняется обзор инфраструктуры Smart City, расчет траектории движения на основании ММ с использованием численного метода Рунге-Кутты четвертого порядка, программных интерфейсов для параллельного выполнения алгоритмов на GPU, а так же выбор программного интерфейса для параллельного выполнения алгоритма на GPU.

1. Актуальность темы

Основным критерием увеличения быстродействия функционирования подсистемы расчета параметров движения АТС является уменьшение времени расчета траектории движения, а также введение возможности просчета нескольких траекторий движения для одного объекта. В связи с этим, использование параллельной архитектуры для данной подсистемы является актуальной задачей. Низкое быстродействие работы подсистемы может существенно замедлить работу всей системы управления транспортом и привести к негативным последствиям.

Проблема со скоростью вычислений особенно ярко проявляется при расчете траектории движения для группы объектов. В магистерской работе исследуются вопросы использования параллельных вычислений для достижения необходимого быстродействия работы подсистемы расчета параметров движения АТС в составе системы управления транспортом.

2. Цель и задачи исследования

Целью магистерской работы является анализ эффективности работы подсистемы расчета параметров движения АТС, реализованной с использованием параллельной архитектуры.

В рамках магистерской работы необходимо решить следующие задачи:

1. разработать подсистему расчета параметров движения АТС на основании математической модели с использованием параллельной архитектуры;
2. проанализировать эффективность использования параллельной архитектуры при различном числе подвижных объектов.

3. Обзор исследований и разработок

На мировом уровне разработкой АТС и моделированием движения транспортных средств и активным внедрением их в повседневную жизнь активно занимаются компании Tesla, Яндекс, Waymo, Volvo, BMW и другие. В Донецком национальном техническом университете исследованием и моделированием движения транспортных средств занимаются сотрудники кафедры компьютерной инженерии ФКНТ: ст. пр. Кривошеев Сергей Васильевич, профессор Аноприенко Александр Яковлевич [1, 2, 3, 4, 5].

4. Обзор системы управления трафиком и технологий Vehicle-to-vehicle(V2V), Vehicle-to-infrastructure(V2I), Invisible-to-Visible(I2V) в концепции развития Smart City

В современном обществе обеспечение приемлемых условий жизни в условиях быстрого роста городского населения требует глубокого понимания концепции умного города. В данную концепцию современного развития включается собирательная технология Vehicle-to-Everything (V2V, V2I, I2V, V2P и др.), а также система управления трафиком.

4.1 Система управления трафиком

Проблема загруженности дорог – одна из самых актуальных в современном мире. С точки зрения безопасности, в городе требуется ограничение скорости транспортного потока, но современные способы контроля либо не эффективны, либо приводят к образованию транспортных пробок. Один из предложенных вариантов решения данной проблемы- системы управления трафиком.

Система управления трафиком (транспортными сигналами) –подсистема городской системы управления дорожным движением, основная функция – автоматическая корректировка схемы синхронизации. В системе управления транспортными сигналами командный центр контролирует контроллеры сигналов на перекрестках через центральный компьютер, компьютер регионального управления и компьютер локального управления сигналами. Система может выбрать соответствующую комбинацию цикла, разделить и сместить заранее определенный набор параметров, что предоставляет локальному контроллеру полную свободу для выполнения функции реакции на транспортный поток. Эта оптимизирует схему управления в режиме реального времени в соответствии с полученной информацией о дорожной обстановке. Решение проблемы трафика путем контроля регулирования транспортных потоков как на отдельном перекрестке, так и в пределах всего мегаполиса.

Основными возможностями системы являются:

1. мониторинг транспортного потока и транспортных событий;
2. перенаправление транспортных потоков, в зависимости от дорожной ситуации;
3. контроль скорости движения;
4. определение зон затрудненного движения (уплотнение трафика).

Система может достигать различных целей управления в соответствии с различным состоянием транспортных потоков. В часы «пик» цель заключается в повышении пропускной способности дорог и проезде через перекресток как можно большего количества транспортных средств, в то время как в другие периоды времени, целью является увеличение средней скорости, сокращение времени остановки, среднего времени в пути и задержек [6].

Благодаря интеллектуальной разработке схемы управления транспортными сигналами и схемы синхронизации с использованием научных и инженерных технологий дорожного движения эта система значительно повышает пропускную способность и создает основу для обеспечения безопасности дорожного движения [6].

4.2 Технология Vehicle-to-vehicle (V2V)

Производители автомобилей занимаются развитием технологий, которые позволят в будущем автомобилям «общаться» друг с другом — передавать и принимать информацию о местонахождении, скорости и направлении, чтобы сохранять безопасное расстояние. Основные элементы V2V, благодаря которым автомобили могут поддерживать взаимную связь, это микропроцессор, модуль передачи информации посредством сетей мобильной или беспроводной связи и спутниковая система навигации GPS [7]. На рисунке 4.1 приведены технологии Vehicle-to-Vehicle, Vehicle-to-Infrastructure, Invisible-to-Visible.



Рисунок 4.1 – Технологии Vehicle-to-Vehicle, Vehicle-to-Infrastructure, Invisible-to-Visible [8]

4.3 Технология Vehicle-to-infrastructure (V2I)

Технология позволяет транспортным средствам «по воздуху» обмениваться информацией с объектами инфраструктуры: светофорами, дорожными знаками и т.д. На рисунке 4.1 приведены технологии Vehicle-to-Vehicle, Vehicle-to-Infrastructure, Invisible-to-Visible.

4.4 Технология Invisible-to-Visible (I2V)

Задача данной системы является повышение информирования человека и увеличение впечатлений от вождения. Во время движения система, используя данные с датчиков собирается данные о пространстве в радиусе от автомобиля и дополняет их информацией из виртуального мира [9]. На рисунке 4.1 приведены технологии Vehicle-to-Vehicle, Vehicle-to-Infrastructure, Invisible-to-Visible.

5. Математическая модель динамики движения транспортного средства

Одним из путей обеспечения автономности ТС является расчет траектории движения на основании имеющихся результатов измерений, либо расчет траектории дальнейшего движения подвижной модели, которая выполняется на основе ММ ТС. Траектория движения описывается системой дифференциальных уравнений. Независимо от среды перемещения ММ в общем случае содержит 6 степеней свободы и коэффициенты (в зависимости от среды, где движется объект).

Дифференциальные уравнения можно решить с помощью численного метода Рунге-Кутты четвертого порядка. Для моделирования большого числа объектов с различным числом построений траекторий движения целесообразно использовать параллельные вычисления.

6. Обзор программных интерфейсов для параллельного выполнения алгоритмов на GPU

GPGPU (General-purpose computing on graphics processing units, неспециализированные вычисления на графических процессорах) – техника использования графического процессора видеокарты (GPU), которое предназначается для обработки компьютерной графики, в целях выполнения математических вычислений, которые обычно выполняет центральный процессор (CPU). Это позволяет разработчикам ПО использовать потенциал GPU для выполнения неграфических вычислений. Технологию GPGPU реализуют программные интерфейсы CUDA, OpenCL, Direct Compute и другие.

6.1 Программный интерфейс CUDA

CUDA – это архитектура параллельных вычислений от NVIDIA, позволяющая существенно увеличить вычислительную производительность благодаря использованию GPU. На сегодняшний день продажи CUDA процессоров достигли миллионов, а разработчики программного обеспечения, ученые и исследователи широко используют CUDA в различных областях, включая обработку видео и изображений, вычислительную биологию и химию, моделирование динамики жидкостей, восстановление изображений, полученных путем компьютерной томографии, сейсмический анализ, трассировку лучей и многое другое [10]. Этапы запуска программы на GPU представлены на рисунке 6.1.

При использовании данной технологии необходимо знать следующие понятия:

1. устройство (device) – сама видеокарта, графический процессор (GPU) – выполняет команды центрального процессора;
2. хост (host) – центральный процессор (CPU) – запускает различные задания, выделяет память;
3. ядро (kernel) – функция (задание), которая будет выполняться на GPU [8].


Рисунок 6.1 – Этапы запуска программы на GPU (анимация: 5 кадров, 1 секунда интервал между кадрами, размер 168 килобайт)

CUDA позволяет программистам реализовывать на специальном упрощенном диалекте языка C алгоритмы, которые используются в графических процессорах NVIDIA, и включать специальные функции в текст программы на C. «Архитектура CUDA позволяет разработчику на свое усмотрение организовывать доступ к набору инструкций GPU и управлять его памятью.» [11]

При использовании CUDA необходимо написать код на языке программирования, после чего компилятор CUDA сгенерирует код отдельно для хоста и отдельно для устройства. Небольшая оговорка: код для устройства должен быть написан только на языке C с некоторыми «CUDA-расширениями».

6.2 Программный интерфейс OpenCL

Архитектура OpenCL описывается через иерархию моделей, с помощью которых может быть представлена произвольная вычислительная система:

1. модель платформы (platformmodel);
2. модель памяти (memorymodel);
3. модель исполнения (executionmodel);
4. модель программирования (programmingmodel).

Стандарт OpenCL позволяет разработчикам создавать межплатформенный код, который можно скомпилировать и выполнить на любой системе с одним или более устройствами OpenCL. Для обеспечения данной возможности инструментарий OpenCL включает в себя компилятор и компоновщик программ на языке OpenCL C. При этом программисту предоставляется программный интерфейс, который содержит функции для определения устройств OpenCL, компиляции и сборки программ на языке OpenCL C, а также для запуска ядер и получения результатов вычислений.

6.3 Программный интерфейс Direct compute

DirectCompute – интерфейс программирования приложений (API), который входит в состав DirectX (набора API от Microsoft), который предназначен для работы на IBM PC-совместимых компьютерах под управлением операционных систем семейства Microsoft Windows. DirectCompute предназначен для выполнения вычислений общего назначения на графических процессорах, являясь одной из реализацией концепции GPGPU [12].

DirectCompute, впервые появившись в составе DirectX 11, стал одним из важнейших его нововведений, первой технологией в составе DirectX, предоставившей доступ к вычислениям общего назначения на графических процессорах.

DirectCompute присутствует в трёх версиях:

1. DirectCompute 10 для GPU, которые поддерживают Direct3D 10;
2. DirectCompute 10.1 для GPU, которые поддерживают Direct3D 10.1;
3. DirectCompute 11 для GPU, которые поддерживают Direct3D 11 [12].

6.4 Выбор программного интерфейса для параллельного выполнения алгоритма на GPU

Проведя сравнительный анализ программных интерфейсов в качестве используемой в данной работе, был выбран интерфейс CUDA. CUDA – это стабильное развивающийся инструментарий для разработчиков с большим набором различных библиотек, интерфейс программирования приложений CUDA основан на стандартном языке программирования С с расширениями, что упрощает процесс изучения и внедрения архитектуры CUDA, также исходя из рисунка 6.2 CUDA обеспечивает доступ к разделяемой между потоками памяти на мультипроцессор, которая может быть использована для организации кэша с широкой полосой пропускания и более эффективная передача данных между системной и видеопамятью, линейная адресация памяти, возможность записи по произвольным адресам, аппаратная поддержка целочисленных и битовых операций.

Выводы

На момент написания данного реферата в рамках проведенных исследований выполнены:

1. обзор исследований и разработок;
2. обзор системы управления трафиком и технологий Vehicle-to-vehicle(V2V), Vehicle-to-infrastructure(V2I), Invisible-to-Visible(I2V) в концепции развития Smart City;
3. обзор программных интерфейсов для параллельного выполнения алгоритмов на GPU.

Дальнейшие исследования планируется направить на следующие аспекты:

1. реализовать подсистему расчета параметров движения АТС на выбранной параллельной архитектуре;
2. выполнить анализ эффективности работы подсистемы расчета параметров движения АТС при реализации на параллельной архитектуре.

Список источников

1. Кривошеев С.В. Исследование эффективности параллельных архитектур вычислительных систем для расчета параметров движения транспортного средства // Научные труды Донецкого национального технического университета. Выпуск № 1(10)-2(11). Серия «Проблемы моделирования и автоматизации проектирования». – Донецк, ДонНТУ, 2012. С. 207-214.
2. Хайдуков А.В., Кривошеев С.В., Штепа В.Н. МОДЕЛИРОВАНИЕ СИСТЕМ УРАВНЕНИЙ ДИНАМИКИ ДВИЖЕНИЯ ТРАНСПОРТНОГО СРЕДСТВА НА ПАРАЛЛЕЛЬНОЙ АРХИТЕКТУРЕ // Материалы IX Международной научно-технической конференции «Информатика, управляющие системы, математическое и компьютерное моделирование» (ИУСМКМ-2018). Донецк, ДонНТУ, 2018. С. 99-103.
3. Кривошеев С.В. Модель динамики речного судна и ее реализация в среде SIMULINK // Научные труды Донецкого национального технического университета. Выпуск № 10. Донецк, ДонНТУ, 1999. С. 177-182.
4. Аноприенко А.Я., Кривошеев С.В. Разработка подсистемы моделирования движения судна по заданной траектории // Научные труды Донецкого национального технического университета. Выпуск 12. Серия «Вычислительная техника и автоматизация». –Донецк, ДонГТУ, ООО Лебедь, 1999.С.197-202.
5. Аноприенко А.Я., Кривошеев С.В., Потапенко В.А. Моделирование процесса обработки информации в интегрированной навигационной системе // Тези доповідей міждержавної науково-методичної конференції Комп'ютерне моделювання 30 червня–2 липня 1999 р., м. Дніпродзержинськ.–Дніпродзержинськ.–1999.С.114-115.
6. Интеллектуальная система управления сигнальным трафиком. [Электронный ресурс]. – Режим доступа: http://zte.ru/enterprise/solutions/urban-transportation/traffic-signal/. Дата обращения: 24.11.2020.
7. Connected Car: V2V, V2I, V2X, V2P, V2G, V2D. Стандартизация, возможности и темпы развития умных автомобилей в России и в мире. [Электронный ресурс]. – Режим доступа: http://1234g.ru/novosti/v2v-v2i-v2x-v2p-v2g-v2d-connected-car. Дата обращения: 24.11.2020.
8. Sensor Fusion in Autonomous Vehicles. [Электронный ресурс]. – Режим доступа: https://qulsar.com/Applications/Vehicular_Sync/Autonomous_vehicles.html. Дата обращения: 24.11.2020.
9. Технология Invisible to visible: интервью с Тецуро Уеда, экспертом Nissan по информационным технологиям. [Электронный ресурс]. – Режим доступа: https://russia.nissannews.com/ru-RU/releases/release-1e53f40ea0f19d9ed6486f7ccd00a7e0-invisible-to-visible_tetsuro-ueda. Дата обращения: 24.11.2020.
10. Nvidia Developer. [Электронный ресурс]. – Режим доступа: https://developer.nvidia.com/cuda-zone. Дата обращения: 24.11.2020.
11. Знакомство с программно-аппаратной архитектурой CUDA. [Электронный ресурс]. – Режим доступа: https://proglib.io/p/cuda. Дата обращения: 24.11.2020.
12. DirectCompute. [Электронный ресурс]. – Режим доступа: https://amp.google-info.org/2815731/1/directcompute.html. Дата обращения: 24.11.2020.