借助 NVIDIA 視覺編程接口庫(kù)（VPI），您可以更有效地利用 Jetson Thor 的計(jì)算性能。

構(gòu)建自主機(jī)器人需要具備可靠且低延遲的視覺感知能力，以實(shí)現(xiàn)在動(dòng)態(tài)環(huán)境中的深度估計(jì)、障礙物識(shí)別、定位與導(dǎo)航。這些功能對(duì)計(jì)算性能有較高要求。NVIDIA Jetson平臺(tái)雖為深度學(xué)習(xí)提供了強(qiáng)大的GPU支持，但隨著AI模型復(fù)雜性的提升以及對(duì)實(shí)時(shí)性能的更高需求，GPU可能面臨過(guò)載風(fēng)險(xiǎn)。若將所有感知任務(wù)完全依賴GPU執(zhí)行，不僅容易造成性能瓶頸，還可能導(dǎo)致功耗上升和散熱壓力加劇，這在功耗受限且散熱條件有限的移動(dòng)機(jī)器人應(yīng)用中尤為突出。

為解決上述挑戰(zhàn)，NVIDIA Jetson平臺(tái)將高性能GPU與專用硬件加速器相結(jié)合。Jetson AGX Orin和Jetson Thor等平臺(tái)均配備專用硬件加速器，專為高效執(zhí)行圖像處理和計(jì)算機(jī)視覺任務(wù)而設(shè)計(jì)，從而釋放GPU資源，使其能夠?qū)Ｗ⒂谔幚砀鼜?fù)雜的深度學(xué)習(xí)工作負(fù)載。NVIDIA視覺編程接口（VPI）進(jìn)一步充分激活了不同類型硬件加速器的性能潛力。

在本博客中，我們將探討使用這些加速器的優(yōu)勢(shì)，并詳細(xì)介紹開發(fā)者如何通過(guò)VPI充分發(fā)揮Jetson平臺(tái)的性能潛力。作為示例，我們將展示如何運(yùn)用這些加速器開發(fā)一個(gè)用于立體視差的低延遲、低功耗的感知應(yīng)用。首先，我們將構(gòu)建單路立體攝像頭的工作流，隨后擴(kuò)展至多流工作流，在Thor T5000上支持8路立體攝像頭同時(shí)以30 FPS運(yùn)行，其性能相較Orin AGX 64 GB提升至10倍。

在開始開發(fā)之前，讓我們快速了解Jetson平臺(tái)提供的各類加速器，它們的優(yōu)勢(shì)所在，能夠支持哪些應(yīng)用場(chǎng)景，以及VPI如何為開發(fā)提供助力。

除了GPU之外，Jetson還配備了哪些其他加速器？

Jetson設(shè)備配備了強(qiáng)大的GPU，適用于深度學(xué)習(xí)任務(wù)，但隨著AI復(fù)雜性的提升，對(duì)GPU資源的高效管理變得愈發(fā)重要。Jetson為計(jì)算機(jī)視覺（CV）工作負(fù)載提供了專用的硬件加速引擎。這些引擎與GPU協(xié)同工作，在保持靈活性的同時(shí)，顯著提升了計(jì)算效率。通過(guò)VPI，開發(fā)者可以更便捷地訪問(wèn)這些硬件資源，簡(jiǎn)化實(shí)驗(yàn)流程并實(shí)現(xiàn)高效的負(fù)載分配。

圖1：面向Jetson開發(fā)者的視覺編程接口（VPI）

下面我們逐一深入了解每個(gè)加速器，以及其用途與優(yōu)勢(shì)。

可編程視覺加速器(PVA)：

PVA是一款可編程的數(shù)字信號(hào)處理（DSP）引擎，配備超過(guò)1024位的單指令多數(shù)據(jù)（SIMD）單元，以及支持靈活直接內(nèi)存訪問(wèn)（DMA）的本地內(nèi)存，專為視覺和圖像處理任務(wù)優(yōu)化，具備出色的每瓦性能。它能夠與CPU、GPU及其他加速器異步運(yùn)行，除NVIDIA Jetson Nano外，其他所有Jetson平臺(tái)均配備該加速器。

通過(guò)VPI，開發(fā)者可以調(diào)用現(xiàn)成的算法，如AprilTag檢測(cè)、物體追蹤，和立體視差估計(jì)。對(duì)于需要自定義算法的場(chǎng)景，Jetson開發(fā)者現(xiàn)在還可使用PVA SDK，該SDK提供了C/C++ API及相關(guān)工具，支持直接在PVA上開發(fā)視覺算法。

光流加速器(OFA)：

OFA是一種固定功能的硬件加速器，用于基于立體攝像頭對(duì)的數(shù)據(jù)，計(jì)算光流和立體視差。OFA支持兩種工作模式：在視差模式下，通過(guò)處理立體攝像頭的左右校正圖像來(lái)生成視差圖；在光流模式下，則用于估算連續(xù)兩幀之間的二維運(yùn)動(dòng)矢量。

視頻和圖像合成器(VIC)：

VIC是Jetson設(shè)備中的一種專用硬件加速器，具備固定功能，能夠高效節(jié)能地處理圖像縮放、重映射、扭曲、色彩空間轉(zhuǎn)換和降噪等基礎(chǔ)圖像處理任務(wù)。

哪些用例可以從這些加速器中獲益？

在某些場(chǎng)景下，開發(fā)者可能會(huì)考慮采用GPU以外的解決方案，以更好地滿足特定應(yīng)用的需求。

GPU資源過(guò)載應(yīng)用:為實(shí)現(xiàn)高效運(yùn)行，開發(fā)者應(yīng)優(yōu)先將深度學(xué)習(xí)（DL）工作負(fù)載分配給GPU，同時(shí)利用VPI將計(jì)算機(jī)視覺任務(wù)卸載至PVA、OFA或VIC等專用加速器。例如，DeepStream的Multi+ Object Tracker在Orin AGX平臺(tái)上若僅依賴GPU，可處理12路視頻流；而通過(guò)引入PVA實(shí)現(xiàn)負(fù)載均衡后，支持的視頻流數(shù)量可提升至16路。

功耗敏感型應(yīng)用:在哨兵模式（sentry mode）或持續(xù)監(jiān)控等場(chǎng)景中，將主要計(jì)算任務(wù)轉(zhuǎn)移至低功耗加速器（如PVA、OFA、VIC），有助于顯著提升效率。

存在熱限制的工業(yè)應(yīng)用:在高溫運(yùn)行環(huán)境下，合理分配任務(wù)至各類加速器可有效降低GPU負(fù)載，減少因過(guò)熱導(dǎo)致的性能節(jié)流，從而在限定的熱預(yù)算內(nèi)維持穩(wěn)定的延遲與吞吐表現(xiàn)。

如何使用VPI解鎖所有加速器

VPI提供了一個(gè)統(tǒng)一且靈活的框架，使開發(fā)者能夠在Jetson模組、工作站或配備獨(dú)立GPU的PC等不同平臺(tái)上無(wú)縫訪問(wèn)加速器。

現(xiàn)在，我們來(lái)看一個(gè)綜合運(yùn)用上述內(nèi)容的示例。

示例：立體視覺工作流

現(xiàn)代機(jī)器人系統(tǒng)通常采用被動(dòng)立體視覺技術(shù)實(shí)現(xiàn)對(duì)周圍環(huán)境的三維感知。因此，計(jì)算立體視差圖成為構(gòu)建復(fù)雜感知系統(tǒng)的關(guān)鍵環(huán)節(jié)。本文將介紹一個(gè)示例流程，幫助開發(fā)者生成立體視差圖及其對(duì)應(yīng)的置信度圖。同時(shí)，我們將展示如何利用VPI提供的各類加速器，構(gòu)建低延遲、高能效的處理工作流。

圖2：在Jetson多加速器上部署的立體視覺流程示意圖。PVA+：可編程視覺陣列；VIC：視頻與圖像合成器；OFA：光流加速器。

在CPU上進(jìn)行預(yù)處理：預(yù)處理步驟可以在CPU上運(yùn)行，因?yàn)樗话l(fā)生一次。該步驟計(jì)算一個(gè)校正映射（rectification map），用于糾正立體相機(jī)幀中的鏡頭畸變。

在VIC上進(jìn)行重映射：這一步驟使用預(yù)計(jì)算的校正映射對(duì)相機(jī)幀去畸變并對(duì)齊，確保兩條光軸水平且平行。VPI支持多項(xiàng)式與魚眼畸變模型，并允許開發(fā)者定義自定義warp映射。更多細(xì)節(jié)可參考Remap文檔。

在OFA上計(jì)算立體視差：校正后的圖像對(duì)作為半全局匹配（SGM）算法的輸入。在實(shí)際應(yīng)用中，SGM可能會(huì)產(chǎn)生噪聲或錯(cuò)誤的視差值。通過(guò)生成置信度圖，可以剔除低置信度的視差估計(jì)，從而提升結(jié)果質(zhì)量。有關(guān)SGM算法及其支持參數(shù)的更多信息，請(qǐng)參閱立體視差文檔。

在PVA上生成置信度圖：VPI提供三種置信度圖模式：絕對(duì)值（Absolute）、相對(duì)值（Relative）和推理（Inference）。絕對(duì)值和相對(duì)值模式需要兩個(gè)OFA通道（左/右視差）并結(jié)合PVA的交叉檢查機(jī)制；而推理模式僅需一個(gè)OFA通道，并在PVA上運(yùn)行一個(gè)輕量級(jí)CNN（包含兩個(gè)卷積層和兩個(gè)非線性激活層）。跳過(guò)置信度計(jì)算雖然速度較快，但會(huì)產(chǎn)生噪聲視差圖；相比之下，采用相對(duì)值或推理模式可顯著提升視差結(jié)果的精度與可靠性。

VPI的統(tǒng)一內(nèi)存架構(gòu)避免了跨引擎的不必要數(shù)據(jù)復(fù)制，其異步流與事件機(jī)制使開發(fā)者能夠提前規(guī)劃任務(wù)負(fù)載和同步點(diǎn)。由硬件管理的調(diào)度支持跨引擎并行執(zhí)行，既釋放了CPU資源，又通過(guò)高效的流式流程設(shè)計(jì)避免了延遲。

使用VPI構(gòu)建高性能立體視差工作流

開始使用Python API

本教程介紹如何使用VPI Python API實(shí)現(xiàn)基礎(chǔ)的立體視差工作流，且無(wú)需進(jìn)行圖像重映射。

需要提前準(zhǔn)備：

NVIDIA Jetson設(shè)備（例如Jetson AGX Thor）

通過(guò)NVIDIA SDK Manager或apt安裝VPI

Python庫(kù)：vpi、numpy、Pillow、opencv-python

在本教程中，我們將：

加載左右立體圖像

轉(zhuǎn)換圖像格式以適配處理需求

同步數(shù)據(jù)流，確保信息準(zhǔn)備就緒

執(zhí)行立體匹配算法以計(jì)算視差

對(duì)輸出結(jié)果進(jìn)行后處理并保存

設(shè)置和初始化

第一步是導(dǎo)入所需的庫(kù)并創(chuàng)建VPIStream對(duì)象。VPIStream充當(dāng)命令隊(duì)列，可用于提交任務(wù)以實(shí)現(xiàn)異步執(zhí)行。為了演示并行處理，我們將使用兩個(gè)流。

import vpi
import numpy as np
from PIL import Image
from argparse import ArgumentParser
  
# Create two streams for parallel processing
streamLeft = vpi.Stream()
streamRight = vpi.Stream()

streamLeft用于處理左側(cè)圖像，streamRight用于處理右側(cè)圖像。

加載和轉(zhuǎn)換圖像

VPI的Python API可直接使用NumPy數(shù)組。我們首先通過(guò)Pillow加載圖像，然后利用VPI的asimage函數(shù)將其封裝為VPI圖像對(duì)象。接著，將圖像轉(zhuǎn)換為適用于立體匹配算法的格式。在本例中，圖像將從RGBA8格式轉(zhuǎn)換為Y8_ER_BL格式（即8位灰度、塊線性布局）。

# Load images and wrap them in VPI images
left_img = np.asarray(Image.open(args.left))
right_img = np.asarray(Image.open(args.right))
left = vpi.asimage(left_img)
right = vpi.asimage(right_img)
  
# Convert images to Y8_ER_BL format in parallel on different backends
left = left.convert(vpi.Format.Y8_ER_BL, scale=1, stream=streamLeft, backend=vpi.Backend.VIC)
right = right.convert(vpi.Format.Y8_ER_BL, scale=1, stream=streamRight, backend=vpi.Backend.CUDA)

左側(cè)圖像通過(guò)streamLeft提交至VIC后端進(jìn)行處理，右側(cè)圖像則通過(guò)streamRight提交給NVIDIA CUDA后端。這種設(shè)計(jì)使得兩項(xiàng)操作能夠在不同的硬件單元上并行執(zhí)行，充分體現(xiàn)了VPI的核心優(yōu)勢(shì)。

同步并執(zhí)行立體差異

在執(zhí)行立體差異計(jì)算之前，必須確保兩張圖像均已準(zhǔn)備就緒。我們調(diào)用streamLeft.sync()來(lái)阻塞主線程，直至左側(cè)圖像的轉(zhuǎn)換完成。隨后，便可向streamRight提交vpi.stereodisp操作。

# Synchronize streamLeft to ensure the left image is ready
streamLeft.sync()
  
# Submit the stereo disparity operation on streamRight
disparityS16 = vpi.stereodisp(left, right, backend=vpi.Backend.OFA|vpi.Backend.PVA|vpi.Backend.VIC, stream=streamRight)

立體差異算法在VPI后端（OFA、PVA、VIC）的組合上運(yùn)行，以充分利用專用硬件，最終生成一張S16格式的差異圖，用于表示兩幅圖像中對(duì)應(yīng)像素之間的水平偏移。

后處理和可視化

對(duì)原始差異圖進(jìn)行后處理以實(shí)現(xiàn)可視化時(shí)，將Q10.5定點(diǎn)格式表示的差異值縮放到0-255范圍內(nèi)并保存。

# Post-process the disparity map 
# Convert Q10.5 to  U8 and scale for visualization
disparityU8 = disparityS16.convert(vpi.Format.U8, scale=255.0/(32*128), stream=streamRight, backend=vpi.Backend.CUDA)
  
# make accessible in cpu
disparityU8 = disparityU8.cpu()
  
#save with pillow
d_pil = Image.fromarray(disparityU8)
d_pil.save('./disparity.png')

最后一步是將原始數(shù)據(jù)轉(zhuǎn)換為人類可讀的圖像，其中灰度值代表深度信息。

使用C++ API的多流差異工作流

先進(jìn)的機(jī)器人技術(shù)依賴于高吞吐量，而VPI通過(guò)并行多流傳輸實(shí)現(xiàn)了這一需求。憑借簡(jiǎn)潔的API與硬件加速器的高效結(jié)合，VPI使開發(fā)者能夠構(gòu)建快速且可靠的視覺處理流程——與波士頓動(dòng)力（Boston Dynamics）新一代機(jī)器人系統(tǒng)的處理流程相似。

VPI采用VPIStream對(duì)象，這些對(duì)象作為先進(jìn)先出（FIFO）的命令隊(duì)列，可異步地向后端提交任務(wù)，從而實(shí)現(xiàn)不同硬件單元上的并行運(yùn)算執(zhí)行（異步流）。

對(duì)于任務(wù)關(guān)鍵、追求極致性能的應(yīng)用，VPI的C++ API是理想之選。

以下代碼片段源自C++基準(zhǔn)測(cè)試，用于演示多流立體視差工作流的構(gòu)建與執(zhí)行過(guò)程。該示例通過(guò)SimpleMultiStreamBenchmarkC++應(yīng)用實(shí)現(xiàn)：首先預(yù)生成合成的NV12_BL格式圖像，以消除運(yùn)行時(shí)生成數(shù)據(jù)帶來(lái)的開銷；隨后并行處理多個(gè)數(shù)據(jù)流，并測(cè)量每秒幀數(shù)（FPS）以評(píng)估吞吐性能。此外，該工具支持保存輸入圖像以及差異圖和置信度圖，便于調(diào)試分析。通過(guò)預(yù)生成數(shù)據(jù)的方式，本示例可有效模擬高速實(shí)時(shí)工作負(fù)載場(chǎng)景。

資源配置、對(duì)象聲明與初始化

我們首先聲明并初始化VPI中執(zhí)行該流水線所需的全部對(duì)象，包括創(chuàng)建流、輸入/輸出圖像以及立體視覺處理所需的有效載荷。由于立體算法的輸入圖像格式為NV12_BL，因此我們將其與Y8_Er圖像類型一同設(shè)置為中間格式轉(zhuǎn)換的格式。

int totalIterations = itersPerStream * numStreams;
std::vector leftInputs(numStreams), rightInputs(numStreams), confidences(numStreams), leftTmps(numStreams), rightTmps(numStreams);
std::vector leftOuts(numStreams), rightOuts(numStreams), disparities(numStreams);
std::vector stereoPayloads(numStreams);
std::vector streamsLeft(numStreams), streamsRight(numStreams);
std::vector events(numStreams);
int width   = cvImageLeft.cols;
int height  = cvImageLeft.rows;
int vic_pva_ofa = VPI_BACKEND_VIC | VPI_BACKEND_OFA | VPI_BACKEND_PVA;
VPIStereoDisparityEstimatorCreationParams stereoPayloadParams;
VPIStereoDisparityEstimatorParams stereoParams;
CHECK_STATUS(vpiInitStereoDisparityEstimatorCreationParams(&stereoPayloadParams));
CHECK_STATUS(vpiInitStereoDisparityEstimatorParams(&stereoParams));
stereoPayloadParams.maxDisparity = 128;
stereoParams.maxDisparity= 128;
stereoParams.confidenceType  = VPI_STEREO_CONFIDENCE_RELATIVE;
 
for (int i = 0; i < numStreams; i++)
{
    CHECK_STATUS(vpiImageCreateWrapperOpenCVMat(cvImageLeft, 0, &leftInputs[i]));
    CHECK_STATUS(vpiImageCreateWrapperOpenCVMat(cvImageRight, 0, &rightInputs[i]));
    CHECK_STATUS(vpiStreamCreate(0, &streamsLeft[i]));
    CHECK_STATUS(vpiStreamCreate(0, &streamsRight[i]));
    CHECK_STATUS(vpiImageCreate(width, height, VPI_IMAGE_FORMAT_Y8_ER, 0, &leftTmps[i]));
    CHECK_STATUS(vpiImageCreate(width, height, VPI_IMAGE_FORMAT_NV12_BL, 0, &leftOuts[i]));
    CHECK_STATUS(vpiImageCreate(width, height, VPI_IMAGE_FORMAT_Y8_ER, 0, &rightTmps[i]));
    CHECK_STATUS(vpiImageCreate(width, height, VPI_IMAGE_FORMAT_NV12_BL, 0, &rightOuts[i]));
    CHECK_STATUS(vpiCreateStereoDisparityEstimator(vic_pva_ofa, width, height, VPI_IMAGE_FORMAT_NV12_BL,
    &stereoPayloadParams, &stereoPayloads[i]));
    CHECK_STATUS(vpiEventCreate(0, &events[i]));
}
int outCount = saveOutput ? (numStreams * itersPerStream) : numStreams;
disparities.resize(outCount);
confidences.resize(outCount);
for (int i = 0; i < outCount; i++)
{
    CHECK_STATUS(vpiImageCreate(width, height, VPI_IMAGE_FORMAT_S16, 0, &disparities[i]));
    CHECK_STATUS(vpiImageCreate(width, height, VPI_IMAGE_FORMAT_U16, 0, &confidences[i]));
}

轉(zhuǎn)換圖像格式

我們使用VPI的C API為每個(gè)流提交圖像轉(zhuǎn)換操作，將來(lái)自攝像頭的NV12_BL輸入模擬幀進(jìn)行格式轉(zhuǎn)換。

for (int i = 0; i < numStreams; i++)
{
    CHECK_STATUS(vpiSubmitConvertImageFormat(streamsLeft[i], VPI_BACKEND_CPU, leftInputs[i], leftTmps[i], NULL));
    CHECK_STATUS(vpiSubmitConvertImageFormat(streamsLeft[i], VPI_BACKEND_VIC, leftTmps[i], leftOuts[i], NULL));
    CHECK_STATUS(vpiEventRecord(events[i], streamsLeft[i]));
    CHECK_STATUS(vpiSubmitConvertImageFormat(streamsRight[i], VPI_BACKEND_CPU, rightInputs[i], rightTmps[i], NULL));
    CHECK_STATUS(vpiSubmitConvertImageFormat(streamsRight[i], VPI_BACKEND_VIC, rightTmps[i], rightOuts[i], NULL));
    CHECK_STATUS(vpiStreamWaitEvent(streamsRight[i], events[i]));
}
for (int i = 0; i < numStreams; i++)
{
    CHECK_STATUS(vpiStreamSync(streamsLeft[i]));
    CHECK_STATUS(vpiStreamSync(streamsRight[i]));
}

我們將操作分別提交到兩個(gè)獨(dú)立流的不同硬件上，具體類型由輸入/輸出圖像的類型推斷得出。此次，我們還將在左側(cè)流完成轉(zhuǎn)換操作后記錄一個(gè)VPIEvent。VPIEvent是一種VPI對(duì)象，能夠在流錄制過(guò)程中等待另一個(gè)流完成所有操作。通過(guò)這種方式，我們可以讓右側(cè)流等待左側(cè)流的轉(zhuǎn)換操作完成，而無(wú)需阻塞調(diào)用線程（即主線程），從而實(shí)現(xiàn)多個(gè)左側(cè)流與右側(cè)流的并行執(zhí)行。

同步并執(zhí)行立體差異

我們通過(guò)VPI的C API提交立體匹配計(jì)算任務(wù)，并使用std::chrono對(duì)其性能進(jìn)行基準(zhǔn)測(cè)試。

auto benchmarkStart = std::chrono::high_resolution_clock::now();
for (int iter = 0; iter < itersPerStream; iter++)
{
    for (int i = 0; i < numStreams; i++)
    {
        int dispIdx = saveOutput ? (i * itersPerStream + iter) : i;
        CHECK_STATUS(vpiSubmitStereoDisparityEstimator(streamsRight[i], vic_pva_ofa, stereoPayloads[i], leftOuts[i],
                                                     rightOuts[i], disparities[dispIdx], confidences[dispIdx],
                                                     &stereoParams));
    }
}
// ====================
// End Benchmarking
for (int i = 0; i < numStreams; i++)
{
    CHECK_STATUS(vpiStreamSync(streamsRight[i]));
}
auto benchmarkEnd = std::chrono::high_resolution_clock::now();

我們繼續(xù)使用confidenceMap提交計(jì)算任務(wù)，并生成結(jié)果差異圖。同時(shí)，停止基準(zhǔn)測(cè)試計(jì)時(shí)器，記錄轉(zhuǎn)換和生成差異所耗的時(shí)間。在向所有流提交任務(wù)后，顯式同步各個(gè)流，以確保調(diào)用線程在提交過(guò)程中不會(huì)被阻塞。

后處理和清理

我們利用VPI的C API與OpenCV的互操作性對(duì)差異圖進(jìn)行后處理，并在每次迭代循環(huán)中將其保存。可根據(jù)需要選擇保留輸出數(shù)據(jù)以供檢查，循環(huán)結(jié)束后再清理相關(guān)對(duì)象。

// ====================
// Save Outputs
if (saveOutput)
{
    for (int i = 0; i < numStreams * itersPerStream; i++)
    {
        VPIImageData dispData, confData;
        cv::Mat cvDisparity, cvDisparityColor, cvConfidence, cvMask;
        CHECK_STATUS(
        vpiImageLockData(disparities[i], VPI_LOCK_READ, VPI_IMAGE_BUFFER_HOST_PITCH_LINEAR, &dispData));
        vpiImageDataExportOpenCVMat(dispData, &cvDisparity);
        cvDisparity.convertTo(cvDisparity, CV_8UC1, 255.0 / (32 * stereoParams.maxDisparity), 0);
        applyColorMap(cvDisparity, cvDisparityColor, cv::COLORMAP_JET);
        CHECK_STATUS(vpiImageUnlock(disparities[i]));
        std::ostringstream fpStream;
        fpStream << "stream_" << i / itersPerStream << "_iter_" << i % itersPerStream << "_disparity.png";
        imwrite(fpStream.str(), cvDisparityColor);
 
        // Confidence output (U16 -> scale to 8-bit and save)
        CHECK_STATUS(
        vpiImageLockData(confidences[i], VPI_LOCK_READ, VPI_IMAGE_BUFFER_HOST_PITCH_LINEAR, &confData));
        vpiImageDataExportOpenCVMat(confData, &cvConfidence);
        cvConfidence.convertTo(cvConfidence, CV_8UC1, 255.0 / 65535.0, 0);
        CHECK_STATUS(vpiImageUnlock(confidences[i]));
        std::ostringstream fpStreamConf;
        fpStreamConf << "stream_" << i / itersPerStream << "_iter_" << i % itersPerStream << "_confidence.png";
        imwrite(fpStreamConf.str(), cvConfidence);
    }
}
 
// ====================
// Clean Up VPI Objects
for (int i = 0; i < numStreams; i++)
{
    CHECK_STATUS(vpiStreamSync(streamsLeft[i]));
    CHECK_STATUS(vpiStreamSync(streamsRight[i]));
    vpiStreamDestroy(streamsLeft[i]);
    vpiStreamDestroy(streamsRight[i]);
    vpiImageDestroy(rightInputs[i]);
    vpiImageDestroy(leftInputs[i]);
    vpiImageDestroy(leftTmps[i]);
    vpiImageDestroy(leftOuts[i]);
    vpiImageDestroy(rightTmps[i]);
    vpiImageDestroy(rightOuts[i]);
    vpiPayloadDestroy(stereoPayloads[i]);
    vpiEventDestroy(events[i]);
}
// Destroy all disparity and confidence images
for (int i = 0; i < (int)disparities.size(); i++)
{
    vpiImageDestroy(disparities[i]);
}
for (int i = 0; i < (int)confidences.size(); i++)
{
    vpiImageDestroy(confidences[i]);
}

收集基準(zhǔn)測(cè)試結(jié)果

我們現(xiàn)在能夠收集并展示基準(zhǔn)測(cè)試的結(jié)果。

double totalTimeSeconds = totalTime / 1000000.0;
double avgTimePerFrame  = totalTimeSeconds / totalIterations;
double throughputFPS= totalIterations / totalTimeSeconds;
 
std::cout << "\n" << std::string(70, '=') << std::endl;
std::cout << "SIMPLE MULTI-STREAM RESULTS" << std::endl;
std::cout << std::string(70, '=') << std::endl;
std::cout << "Input: RGB8 -> Y8_BL_ER" << std::endl;
std::cout << "Total time: " << totalTimeSeconds << " seconds" << std::endl;
std::cout << "Avg time per frame: " << (avgTimePerFrame * 1000) << " ms" << std::endl;
std::cout << "THROUGHPUT: " << throughputFPS << " FPS" << std::endl;
std::cout << std::string(70, '=') << std::endl;
 
std::cout << "THROUGHPUT: " << throughputFPS << " FPS" << std::endl;
std::cout << std::string(70, '=') << std::endl;

查看結(jié)果

在圖像分辨率為960 × 600、最大視差為128的條件下，該方案在Thor T5000上以30 FPS的幀率運(yùn)行立體視差估計(jì)，同時(shí)支持8個(gè)并行數(shù)據(jù)流（包括置信度圖），且無(wú)需占用GPU資源。在MAX_N功耗模式下，其性能相比Orin AGX 64 GB提升至10倍。具體性能數(shù)據(jù)如表1所示。

表1：Orin AGX與Thor T5000在RELATIVE模式下，立體視差處理流程的對(duì)比

波士頓動(dòng)力如何使用VPI

作為Jetson平臺(tái)的深度用戶，波士頓動(dòng)力借助視覺編程接口（VPI）來(lái)加速其感知系統(tǒng)的處理流程。

VPI支持無(wú)縫訪問(wèn)Jetson的專用硬件加速器，提供一系列優(yōu)化的視覺算法（如AprilTags和SGM立體匹配），以及ORB、Harris Corner、Pyramidal LK等特征檢測(cè)器，和由OFA加速的光流計(jì)算。這些技術(shù)構(gòu)成了波士頓動(dòng)力感知系統(tǒng)的核心，可通過(guò)負(fù)載均衡同時(shí)支撐原型驗(yàn)證與系統(tǒng)優(yōu)化。通過(guò)采用VPI，工程師能夠快速適配硬件更新，顯著縮短從開發(fā)到實(shí)現(xiàn)價(jià)值的周期。

要點(diǎn)總結(jié)

Jetson Thor平臺(tái)以及VPI等庫(kù)在硬件功能上的進(jìn)步，使開發(fā)者能夠?yàn)檫吘壎藱C(jī)器人設(shè)計(jì)出高效且低延遲的解決方案。

通過(guò)充分發(fā)揮Jetson平臺(tái)上各款可用加速器的獨(dú)特優(yōu)勢(shì)，像波士頓動(dòng)力這樣的機(jī)器人公司能夠?qū)崿F(xiàn)高效且可擴(kuò)展的復(fù)雜視覺處理，從而推動(dòng)智能自主機(jī)器人在多種現(xiàn)實(shí)應(yīng)用場(chǎng)景中的落地與發(fā)展。

關(guān)于作者

Chintan Intwala 是 NVIDIA 核心計(jì)算機(jī)視覺產(chǎn)品管理團(tuán)隊(duì)的成員，專注于構(gòu)建 AI 賦能的云技術(shù)，為各行各業(yè)的大型計(jì)算機(jī)視覺開發(fā)者提供支持。在加入 NVIDIA 之前，Chintan 曾在 Adobe 工作，專注于構(gòu)建 AI/ML 和 AR/Camera 產(chǎn)品及功能。他擁有麻省理工學(xué)院斯隆分校 (MIT Sloan) 的 MBA 學(xué)位，并已獲得超過(guò) 25 項(xiàng)美國(guó)專利。

Jonas Toelke 是 NVIDIA 核心計(jì)算機(jī)視覺團(tuán)隊(duì)的一員，領(lǐng)導(dǎo)的團(tuán)隊(duì)專注于構(gòu)建經(jīng)過(guò)優(yōu)化的計(jì)算機(jī)視覺產(chǎn)品，為各行各業(yè)的 TegraSoC 提供支持。加入 NVIDIA 之前，Jonas 曾就職于 Halliburton，專注于構(gòu)建 AI/ ML 應(yīng)用以解決石油物理問(wèn)題。他擁有慕尼黑理工大學(xué)工程學(xué)博士學(xué)位，并已獲得 20 項(xiàng)專利。

Colin Tracey 是 NVIDIA 的高級(jí)系統(tǒng)軟件工程師。他在 Jetson 和 DRIVE 平臺(tái)的嵌入式計(jì)算機(jī)視覺庫(kù)和 SDK 上工作。

Arjun Verma 是 NVIDIA 的系統(tǒng)軟件工程師，也是 NVIDIA 嵌入式設(shè)備計(jì)算機(jī)視覺產(chǎn)品的核心開發(fā)者。Arjun 最近剛從佐治亞理工學(xué)院獲得機(jī)器學(xué)習(xí)碩士學(xué)位。