存内计算(Computing In Memory,CIM)在人工智能神经网络的卷积运算方面具有巨大的应用潜力。基于忆阻器阵列的多位存内计算由于具备写入速度快、与互补金属氧化物半导体(Complementary Metal Oxide Semiconductor,CMOS)工艺兼容等特点,...存内计算(Computing In Memory,CIM)在人工智能神经网络的卷积运算方面具有巨大的应用潜力。基于忆阻器阵列的多位存内计算由于具备写入速度快、与互补金属氧化物半导体(Complementary Metal Oxide Semiconductor,CMOS)工艺兼容等特点,有望成为解决“内存墙”的有效手段。然而,当前多位存内计算电路架构面临输出延时高和能耗大的问题,主要原因为传统感知放大器的性能制约,为此本文提出了一种低延时低能耗多位电流型感知放大器(Low-delay Low-power Multi-bit Current-mode Sense Amplifier,LLM-CSA),通过减少传统CSA电路工作状态数量、简化工作时序来优化功能;采用新型低位检测模块的电路设计思路,来多层次系统性地降低输出延时并优化能耗。使用中芯国际40 nm低漏电逻辑工艺(SMIC40 nm LL),利用Cadence电路设计平台,仿真验证所提LLM-CSA的功能和延时-能耗性能。通过对比分析发现:LLM-CSA比传统CSA输出延时降低1.42倍,能量消耗降低1.56倍。进一步地,以一种4 bit输入、4 bit权重、11 bit输出的忆阻器阵列多位存内计算架构为应用,对比验证所提LLM-CSA的性能:与基于传统CSA的存内计算系统相比,新架构延时降低1.18倍,能耗降低1.03倍。LLM-CSA的提出对促进感知放大器设计思路和忆阻器阵列存内计算架构的发展,具有一定的理论和现实意义。展开更多
通过eye on hand模式,对上下料机器人配置双目视觉系统,将获得的图像进行处理后,判断工件的尺寸、位姿等信息,为上下料操作提供数据支持,使其能准确抓取工件。本文根据双目测量的理论基础,利用Harris角点算法获取零件的角点,对左右相机...通过eye on hand模式,对上下料机器人配置双目视觉系统,将获得的图像进行处理后,判断工件的尺寸、位姿等信息,为上下料操作提供数据支持,使其能准确抓取工件。本文根据双目测量的理论基础,利用Harris角点算法获取零件的角点,对左右相机获取的图像进行区域匹配操作,进而获得工件的特征信息。最后,利用MATLAB对工件进行特征的提取和测量实验,为后续的研究工作提供了基础。展开更多
文摘通过eye on hand模式,对上下料机器人配置双目视觉系统,将获得的图像进行处理后,判断工件的尺寸、位姿等信息,为上下料操作提供数据支持,使其能准确抓取工件。本文根据双目测量的理论基础,利用Harris角点算法获取零件的角点,对左右相机获取的图像进行区域匹配操作,进而获得工件的特征信息。最后,利用MATLAB对工件进行特征的提取和测量实验,为后续的研究工作提供了基础。