自主机器的通用输入/输出数据捕获和神经高速缓存系统技术方案

描述了一种用于促进自主机器的通用输入/输出数据捕获和神经高速缓存系统的机制。如本文所描述的，实施例的方法包括由图像捕获装置捕获一个或多个对象的一个或多个图像，其中，所述一个或多个图像表示与神经网络相关联的输入数据。所述方法可以进一步包括通过将由默认神经高速缓存系统生成的第一输出结果与由自定义神经高速缓存系统预测的第二输出结果进行比较来确定所述第一输出结果的准确性。所述方法可以进一步包括基于所述准确性来输出包括所述第一输出结果或所述第二输出结果中的至少一者的最终输出结果。

Universal Input/Output Data Capture and Neural Caching System for Autonomous Machines

This paper describes a mechanism for general-purpose input/output data capture and neural caching systems for autonomous machines. As described herein, the method of the embodiment includes capturing one or more images of one or more objects by an image capture device, wherein the one or more images represent input data associated with a neural network. The method may further include determining the accuracy of the first output result by comparing the first output generated by the default neural caching system with the second output predicted by the custom neural caching system. The method may further include outputting the final output including at least one of the first output result or the second output result based on the accuracy described.

【技术实现步骤摘要】
【国外来华专利技术】自主机器的通用输入/输出数据捕获和神经高速缓存系统
本文所描述的实施例总体上涉及计算机。更具体地，描述了一种用于促进自主机器的通用输入/输出数据捕获和神经高速缓存系统的实施例。
技术介绍
诸如机器人等自主机器需要实时识别和控制任务(诸如，同步定位与建图(SLAM))以在加速度计与其他传感器数据之间或在对特定工作地点中的对象进行识别时维持平衡。使用常规通用计算机算法和硬件来实施这种动作是复杂且昂贵的。甚至神经网络算法和硬件在使用时也需要对所有特定情况进行训练，并且因此它们对于自主机器经常遇到的多变且未预料到的环境不是非常有用。附图说明在所附附图的各图中，以示例方式而不以限制方式对实施例进行说明，其中相同的附图标记指代类似的要素。图1是根据实施例的处理系统的框图。图2是处理器的实施例的框图，所述处理器具有一个或多个处理器核、集成存储器控制器以及集成图形处理器。图3是图形处理器的框图，所述图形处理器可以是分立的图形处理单元，或可以是与多个处理核集成的图形处理器。图4是根据一些实施例的图形处理器的图形处理引擎的框图。图5是图形处理器的另一实施例的框图。图6图示出线程执行逻辑，所述线程执行逻辑包括在图形处理引擎的一些实施例中采用的处理元件的阵列。图7是图示出根据一些实施例的图形处理器指令格式的框图。图8是图形处理器的另一实施例的框图。图9A是图示出根据实施例的图形处理器命令格式的框图。图9B是图示出根据实施例的图形处理器命令序列的框图。图10图示出根据一些实施例的用于数据处理系统的示例性图形软件架构。图11是图示出根据实施例的可用于制造集成电路以执行操作的IP核开发系统的框图。图12是图示出根据实施例的可使用一个或多个IP核来制造的示例性芯片上系统集成电路的框图。图13是图示出根据实施例的可使用一个或多个IP核来制造的芯片上系统集成电路的示例性图形处理器的框图。图14是图示出根据实施例的可使用一个或多个IP核来制造的芯片上系统集成电路的附加示例性图形处理器的框图。图15展示了根据一个实施例的采用神经高速缓存和训练机制的计算装置。图16展示了根据一个实施例的图15的神经高速缓存和训练机制。图17展示了自主机器中常规数据处理流程的事务序列。图18A展示了根据一个实施例的自主机器中数据处理流程的事务序列，所述自主机器使用基于图15的神经高速缓存和训练机制1510的神经高速缓存系统。图18B展示了根据一个实施例的输入数据标记和捕获的事务序列。图18C展示了根据一个实施例的输出结果数据标记和捕获的事务序列。图18D展示了根据一个实施例的标记/数据表。图18E展示了根据一个实施例的依赖性标记对表。图19A展示了根据一个实施例的输入神经网络模型。图19B展示了根据一个实施例的神经高速缓存系统启动的事务序列。图19C展示了根据一个实施例的视觉SLAM的神经高速缓存系统的事务序列。具体实施方式在以下描述中，阐述了众多具体细节。然而，如本文中所描述的，可以在不具有这些特定的细节的情况下实践实施例。在其他情况下，未详细示出公知的电路、结构和技术，以避免模糊对本说明书的理解。实施例提供了一种用于采用通用神经高速缓存系统的新颖技术，所述通用神经高速缓存系统可以容易地学习并接管自主机器中的常规复杂算法。例如，诸如机器人等自主机器可以使用红、绿、和蓝(RGB)色以及深度相机(诸如，RealSenseTM)来使用视觉SLAM算法将RBG-D数据集映射到定位和取向(也被称为“姿态”)，所述视觉SLAM算法计算图像特征并且使用它们来搜索数据库以确定其定位。这种新颖技术提供一种可以容易地学习并接管任何常规复杂系统的通用神经高速缓存系统。实施例提供了一种新颖神经高速缓存(或简称为“NC”)，所述新颖神经高速缓存能够使用神经网络(“NN”)(诸如，卷积神经网络(“CNN”))以及具有输入数据和处理结果的高速缓存的其他算法和硬件。例如，这种新颖技术提供：并行地运行神经网络算法和常规算法两者、共享输入的标记高速缓存版本、输出用于训练神经网络的映射。在某些情况下，诸如当提供辅助的机器人被新部署在家中以执行各种家务时，模块可以用于将任何输入数据处理成输出结果，同时使用高速缓存来训练NN直到其提供足够准确且精确的结果。换言之，这种新颖技术提供对能量高效NN的等待并且在所述能量高效NN已经达到足够的精度水平时使用所述能量高效NN，同时继续使用模块直到需要精确结果或传统模块已经对所述NN进行了足够地训练来提供这些精确结果。实施例进一步提供了一种新颖技术，所述新颖技术能够覆盖使用NN可能有用但不能预先训练的若干应用，并且进一步，这种新颖技术是可应用的并且甚至可以在自主机器之外使用。实施例不限于任何特定场景或应用，甚至不限于任何特定类型或品牌的自主机器；然而为了简洁、清楚、以及易于理解，贯穿本文档作为示例呈现和讨论了视觉SLAM神经高速缓存系统，但是所述实施例不限于此。在若干情况下，对于自主机器，可以消耗通过一个或多个输入/输出源(例如，相机、机器人眼睛、麦克风等)捕获的输入数据(例如，视频、图像、声音等)来生成输出结果(例如，显示、分析、相机姿态、控制信号等)，其中，在自主机器完成作业时也消耗所述输出结果，并且因此，可能不存在存储输入数据或输出结果的任何需要。然而，在一些实施例中，自主机器需要高速缓存输入数据或输出结果中的任何一者以用于诸如另一或附加神经模型训练，然后可以采用通过这种新颖神经高速缓存系统来获得更好的高速缓存安排的实施例。例如，可能存在与自主机器中的任务执行相关的正常信息流，并且在若干情况下，可能不存在已经设计好流程之后对其进行改变的任何需要。然而，在一些实施例中，采用这种新颖神经高速缓存系统允许训练和部署神经模型，这进而导致大大缩短了正常信息流。例如，在视觉SLAM情况下，可以积极使用如尺度不变特征变换(SIFT)和随机样本一致性(RANSAC)等方法，直到可以采用新颖神经高速缓存系统来显著地缩短执行时间。在自主机器(诸如，机器人)中，输入数据与输出结果之间的关系是与逻辑主导的智能相反的类似直觉的智能，并且因此，这种新颖神经高速缓存系统提供了处理输入/输出数据对的更好且更加高效的方式，而不是简单地遵循类似输入、类似输出的常规技术。在考虑到自主机器可以包括以无处不在的方式为用户服务的任何数量和类型的传感器的集成的情况下，由这种机器收集的任何数据可能不仅在改进机器方面是关键的，而且在改进如何分析用户行为以及如何获得上下文方面也是关键的。实施例可以应用于自主机器以有助于收集和分析输入数据、执行数据条目、以及提供智能输出结果。构想了如贯穿本文档讨论的神经网络是指诸如CNN等人工神经网络(ANN)，所述人工神经网络由诸如人类和动物中的中央神经系统等生物神经网络(BNN)启发并且通常基于所述生物神经网络。进一步，构想了并且将注意的是，“自主机器(autonomousmachine)”、或“自动机器(automaticmachine)”、或“自动化或自动车辆(automatedorautomaticvehicle)”、或“人工智能(artificiallyintelligent)或人工智能代理(artificialintelligenceagent本文档来自技高网...

【技术保护点】
1.一种用于促进用于自主机器的通用输入/输出数据捕获和神经高速缓存系统的设备，所述设备包括：数据捕获逻辑，用于捕获一个或多个对象的一个或多个图像，其中，所述一个或多个图像表示与神经网络相关联的输入数据；性能决策逻辑，用于通过将由默认神经高速缓存系统生成的第一输出结果与由自定义神经高速缓存系统预测的第二输出结果进行比较来确定所述第一输出结果的准确性；以及神经网络执行逻辑，用于基于所述准确性来输出包括所述第一输出结果或所述第二输出结果中的至少一者的最终输出结果。

【技术特征摘要】
【国外来华专利技术】1.一种用于促进用于自主机器的通用输入/输出数据捕获和神经高速缓存系统的设备，所述设备包括：数据捕获逻辑，用于捕获一个或多个对象的一个或多个图像，其中，所述一个或多个图像表示与神经网络相关联的输入数据；性能决策逻辑，用于通过将由默认神经高速缓存系统生成的第一输出结果与由自定义神经高速缓存系统预测的第二输出结果进行比较来确定所述第一输出结果的准确性；以及神经网络执行逻辑，用于基于所述准确性来输出包括所述第一输出结果或所述第二输出结果中的至少一者的最终输出结果。2.如权利要求1所述的设备，其中，所述神经网络执行逻辑进一步用于基于所述准确性来接通或断开所述默认神经高速缓存系统和所述自定义神经高速缓存系统中的至少一者的一个或多个部件，其中，使用图像捕获装置来捕获所述一个或多个图像。3.如权利要求2所述的设备，其中，如果所预测的第二输出结果被确定为比所生成的第一输出结果更准确，则断开所述默认神经高速缓存系统，其中，如果所述生成的第一输出结果被确定为比所预测的第二输出结果更准确，则断开所述自定义神经高速缓存系统。4.如权利要求1所述的设备，进一步包括：输入数据分叉器，用于向所述自定义神经高速缓存系统提供所述输入数据以供处理，其中，所述输入数据由所述输入数据分叉器分开用于高速缓存目的和训练目的，以及输出结果结合器，用于将有待由所述性能决策逻辑进行比较的所述第一输入结果与所述第二输出结果结合。5.如权利要求1所述的设备，进一步包括：数据标记逻辑，用于将标记对和依赖性标记中的至少一者关联至所述输入数据和所述第一输出结果；并且所述数据捕获逻辑用于从输入数据分叉器捕获所述输入数据，其中，所述数据捕获逻辑进一步用于接收所述标记对、所述依赖性标记和所述第一输出结果中的一个或多个。6.如权利要求5所述的设备，进一步包括数据存储逻辑，所述数据存储逻辑用于从所述数据捕获逻辑接收所述输入数据、所述标记对、所述依赖性标记、和所述第一输出结果中的一个或多个，其中，所述数据存储逻辑用于存储所述输入数据、所述标记对、所述依赖性标记、和所述第一输出结果中的一个或多个。7.如权利要求1所述的设备，进一步包括网络模型训练逻辑，所述网络模型训练逻辑用于：基于所述准确性来训练所述默认神经高速缓存系统，以促进所训练的神经模型预测所述第二输出结果。8.如权利要求1所述的设备，其中，所述输入捕获装置包括一个或多个相机、一个或多个机器人眼睛、一个或多个麦克风、以及一个或多个传感器中的至少一者，其中，所述设备包括自主机器或人工智能代理，其中，所述自主机器包括一个或多个机器人、一个或多个无人驾驶车辆、以及一个或多个自操作设备中的至少一者。9.一种用于促进用于自主机器的通用输入/输出数据捕获和神...

【专利技术属性】
技术研发人员：马立伟，宋继强，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：美国,US