Генерация кода для Fusion отслеживания и датчика

В этом примере показано, как сгенерировать код С для функции MATLAB, которая обрабатывает данные, зарегистрированные от тестового транспортного средства, и отслеживает объекты вокруг этого.

Автоматическая генерация кода из кода MATLAB обладает двумя ключевыми преимуществами:

  1. Прототипы могут быть разработаны и отлажены в среде MATLAB. Если работа MATLAB сделана, автоматическая генерация кода C делает алгоритмы развертываемыми на различных целях. Кроме того, код С может быть далее протестирован путем выполнения скомпилированного файла MEX в среде MATLAB с помощью тех же инструментов визуализации и анализа, которые были доступны во время фазы прототипирования.

  2. После генерации кода С можно сгенерировать исполняемый код, который во многих случаях запускается быстрее, чем код MATLAB. Улучшенное время выполнения может использоваться, чтобы разработать и развернуть сплав датчика в реальном времени и системы слежения. Это также обеспечивает, лучший способ обработать в пакетном режиме тестируют системы слежения на большом количестве наборов данных.

Пример объясняет, как изменить код MATLAB в Прямом Столкновении, Предупреждающем Используя пример Fusion Датчика, чтобы поддержать генерацию кода.

Этот пример требует лицензии MATLAB® Coder™ на генерацию кода С.

Измените и запущенный код MATLAB

Можно узнать об основах генерации кода, использующей MATLAB Coder от Введения до Генерации кода с Соответствием Функции и Регистрацией (Computer Vision Toolbox) пример.

Чтобы сгенерировать код С, MATLAB Coder требует, чтобы код MATLAB был в форме функции. Кроме того, аргументы функции не могут быть классами MATLAB.

В этом примере код для примера прямого предупреждения столкновения (FCW) был реструктурирован таким образом, что функции, которые выполняют сплав датчика и отслеживание, находятся в отдельном файле, названном trackingForFCW_kernel.m. Рассмотрите этот файл для важной информации о выделении памяти для генерации кода.

Сохранить состояние multiObjectTracker между вызовами trackingForFCW_kernel.m, средство отслеживания задано как persistent переменная.

Эта функция берет в качестве входа систему координат записанных данных, которые включают:

  1. Объекты видения - struct это содержит 10 объектов видения.

  2. Радарные объекты - struct это содержит 36 радарных объектов.

  3. Инерционное измерение - struct содержа скорость и уровень отклонения от курса.

  4. Отчеты маршрута - struct массив параметрами для левых и правых контуров маршрута.

Точно так же выходные параметры от функции, которая поддерживает генерацию кода, не могут быть объектами. Выходные параметры от trackingForFCW_kernel.m :

  1. Подтвержденные дорожки - struct массив, который содержит переменное количество дорожек.

  2. Маршрут эго - struct массив параметрами левых и правых контуров маршрута.

  3. Количество дорожек - целочисленный скаляр.

  4. Информация о самом важном объекте (MIO) и предупреждении уровня от логики FCW.

Путем реструктуризации кода этот путь можно снова использовать те же инструменты отображения, используемые в примере FCW. Эти инструменты, все еще запущенные в MATLAB и, не требуют генерации кода.

Запустите следующие строки кода, чтобы загрузить записанные данные и подготовить отображение похожим способом к примеру FCW.

% If a previous tracker is defined, clear it
clear trackingForFCW_kernel

% Set up the display
videoFile = '01_city_c2s_fcw_10s.mp4';
sensorConfigFile = 'SensorConfigurationData.mat';
[videoReader, videoDisplayHandle, bepPlotters, sensor] = helperCreateFCWDemoDisplay(videoFile,sensorConfigFile);

% Read the recorded detections file
detfile = '01_city_c2s_fcw_10s_sensor.mat';
[visionObjects, radarObjects, imu, lanes, timeStep, numSteps] = helperReadSensorRecordingsFile(detfile);

% An initial ego lane is calculated. If the recorded lane information is
% invalid, define the lane boundaries as straight lines half a lane
% distance on each side of the car.
laneWidth = 3.6; % meters
egoLane = struct('left', [0 0 laneWidth/2], 'right', [0 0 -laneWidth/2]);

% Prepare some time variables
timeStamp  = 0;    % Time since the beginning of the recording
index = 0;         % Index into the recorded sensor data

% Define the position and velocity selectors:
% The state vector is in constant acceleration: [x;vx;ax;y;vy;ay]
% Constant acceleration position: [x;y] = [1 0 0 0 0 0; 0 0 0 1 0 0] * State
positionSelector = [1 0 0 0 0 0; 0 0 0 1 0 0];
% Constant acceleration velocity: [x;y] = [0 1 0 0 0 0; 0 0 0 0 1 0] * State
velocitySelector = [0 1 0 0 0 0; 0 0 0 0 1 0];

Теперь запустите пример путем вызова trackingForFCW_kernel функция в MATLAB. Этот начальный запуск обеспечивает базовую линию, чтобы сравнить результаты и позволяет вам собрать некоторые метрики о производительности средства отслеживания, когда это запускается в MATLAB или как файл MEX.

% Allocate memory for number of tracks and time measurement in MATLAB
numTracks = zeros(1, numSteps);
runTimes  = zeros(1, numSteps);
while index < numSteps && ishghandle(videoDisplayHandle)
    % Update scenario counters
    index = index + 1;
    timeStamp = timeStamp + timeStep;
    tic;

    % Call the MATLAB tracking kernel file to perform the tracking
    [tracks, egoLane, numTracks(index), mostImportantObject] = trackingForFCW_kernel(...
        visionObjects(index), radarObjects(index), imu(index), lanes(index), egoLane, timeStamp, positionSelector, velocitySelector);

    runTimes(index) = toc; % Gather MATLAB run time data

    % Update video and bird's-eye plot displays
    frame = readFrame(videoReader);     % Read video frame
    laneBoundaries = [parabolicLaneBoundary(egoLane.left);parabolicLaneBoundary(egoLane.right)];
    helperUpdateFCWDemoDisplay(frame, videoDisplayHandle, bepPlotters, laneBoundaries, sensor, ...
        tracks, mostImportantObject, positionSelector, velocitySelector, visionObjects(index), radarObjects(index));
end

Скомпилируйте функцию MATLAB в файл MEX

Используйте codegen функционируйте, чтобы скомпилировать trackingForFCW_kernel функция в файл MEX. Можно задать -report опция, чтобы сгенерировать отчет компиляции, который показывает оригинальный код MATLAB и связанные файлы, которые были созданы во время генерации кода C. Рассмотрите создание временной директории, где MATLAB Coder может хранить сгенерированные файлы. Обратите внимание на то, что, если вы не используете -o опция, чтобы задать имя исполняемого файла, сгенерированный файл MEX имеет то же имя как исходный файл MATLAB с _mex добавленный.

MATLAB Coder требует, чтобы вы задали свойства всех входных параметров. Входные параметры используются средством отслеживания, чтобы создать правильные типы данных и размеры для объектов, используемых в отслеживании. Типы данных и размеры не должны изменяться между системами координат данных. Один простой способ сделать это должно задать входные свойства на примере в командной строке с помощью -args опция. Для получения дополнительной информации смотрите, Задают Входные свойства на примере в Командной строке (MATLAB Coder).

% Define the properties of the input based on the data in the first time frame.
compInputs  = {visionObjects(1), radarObjects(1), imu(1), lanes(1), egoLane, timeStamp, positionSelector, velocitySelector};

% Code generation may take some time.
h = msgbox({'Generating code. This may take a few minutes...';'This message box will close when done.'},'Codegen Message');
% Generate code.
try
    codegen trackingForFCW_kernel -args compInputs;
    close(h)
catch ME
    close(h)
    delete(videoDisplayHandle.Parent.Parent)
    throw(ME)
end

Запустите сгенерированный код

Теперь, когда код был сгенерирован, запустите тот же самый сценарий со сгенерированным файлом MEX trackingForFCW_kernel_mex. Все остальное остается то же самое.

% If a previous tracker is defined, clear it
clear trackingForFCW_kernel_mex

% Allocate memory for number of tracks and time measurement
numTracksMex = zeros(1, numSteps);
runTimesMex  = zeros(1, numSteps);

% Reset the data and video counters
index = 0;
videoReader.CurrentTime = 0;

while index < numSteps && ishghandle(videoDisplayHandle)
    % Update scenario counters
    index = index + 1;
    timeStamp = timeStamp + timeStep;
    tic;

    % Call the generated MEX file to perform the tracking
    [tracks, egoLane, numTracksMex(index), mostImportantObject] = trackingForFCW_kernel_mex(...
        visionObjects(index), radarObjects(index), imu(index), lanes(index), egoLane, timeStamp, positionSelector, velocitySelector);

    runTimesMex(index) = toc; % Gather MEX run time data

    % Update video and bird's-eye plot displays
    frame = readFrame(videoReader);     % Read video frame
    laneBoundaries = [parabolicLaneBoundary(egoLane.left);parabolicLaneBoundary(egoLane.right)];
    helperUpdateFCWDemoDisplay(frame, videoDisplayHandle, bepPlotters, laneBoundaries, sensor, ...
        tracks, mostImportantObject, positionSelector, velocitySelector, visionObjects(index), radarObjects(index));
end

Сравните результаты двух запусков

Сравните результаты и производительность сгенерированного кода по сравнению с кодом MATLAB. Следующие графики сравнивают количество дорожек, обеспеченных средствами отслеживания на каждом временном шаге. Они также показывают количество времени, которое это заняло, чтобы обработать каждый вызов функции.

figure(2)
subplot(2,1,1)
plot(2:numSteps, numTracks(2:end), 'rs-', 2:numSteps, numTracksMex(2:end), 'bx-')
title('Number of Tracks at Each Step');
legend('MATLAB', 'MEX')
grid
subplot(2,1,2)
yyaxis left
plot(2:numSteps, runTimesMex(2:end)*1e3);
ylabel('MEX Procssing Time (ms)');
yyaxis right
plot(2:numSteps, runTimes(2:end) ./ runTimesMex(2:end))
ylabel('Speed-Up Ratio');
title('MEX Processing Time and Speed-Up Ratio at Each Step')
grid
xlabel('Time Step')

Главный график показывает, что количество дорожек, которые были обеспечены каждым средством отслеживания, является тем же самым. Это измеряет размер проблемы отслеживания в терминах количества дорожек.

Нижний график показывает время, требуемое для кода MATLAB и функций сгенерированного кода, чтобы обработать каждый шаг. Обратите внимание на то, что первый шаг требует непропорционально более длительного времени, потому что средства отслеживания должны быть созданы в первом шаге. Таким образом первый временной шаг проигнорирован.

Результаты показывают, что код MEX намного быстрее, чем код MATLAB. Они также показывают количество миллисекунд, требуемых кодом MEX выполнять каждый шаг обновления на вашем компьютере. Например, на компьютере с тактовой частотой ЦП 2,6 ГГц, запускающих Windows 7, время, требуемое для кода MEX запускать шаг обновления, было меньше 4 мс. Как ссылка, записанные данные, используемые в этом примере, были произведены каждые 50 мс, таким образом, время выполнения MEX достаточно коротко, чтобы позволить отслеживание в реальном времени.

Отобразите тактовую частоту ЦП и среднее отношение ускорения.

p = profile('info');
speedUpRatio = mean(runTimes(2:end) ./ runTimesMex(2:end));
disp(['The generated code is ', num2str(speedUpRatio), ' times faster than the MATLAB code.']);
disp(['The computer clock speed is ', num2str(p.ClockSpeed / 1e9), ' GHz.']);
The generated code is 36.6985 times faster than the MATLAB code.
The computer clock speed is 3.601 GHz.

Сводные данные

Этот пример показал, как сгенерировать код С из кода MATLAB для сплава датчика и отслеживания.

Основные преимущества автоматической генерации кода являются способностью моделировать в среде MATLAB, генерируя файл MEX, который может запуститься в среде MATLAB, и развертывающийся к цели с помощью кода С. В большинстве случаев сгенерированный код быстрее, чем код MATLAB и может использоваться в пакетном тестировании алгоритмов и генерации систем слежения в реальном времени.

Смотрите также

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте