来源:cnBeta


Meta Reality Labs 科研人员近日研发出一款 VR 头显原型,内置了一个专门用于处理人工智能的定制加速器芯片,使在独立头盔上渲染该公司的逼真的 Codec Avatars 成为可能。


在公司更名之前,Meta 公司就一直在推动 Codec Avatars 项目,该项目旨在使 VR 中近乎逼真的头像成为现实。利用设备上的传感器(如眼球追踪和嘴巴追踪)和人工智能处理的组合,该系统以逼真的方式实时为用户制作详细的动画。

Codec Avatars 项目的早期版本需要使用 NVIDIA 的 Titan X GPU 进行渲染支持,这使得像 Meta 最新 Quest 2 这样的移动独立头显无法驱动这些需求。

于是该公司已经开始研究如何在低功率的独立头显上实现 Codec Avatars,上个月召开的 2022 年 IEEE CICC 会议上发表的一篇论文证明了这一点。在这篇论文中,Meta 公司透露它创建了一个用 7 纳米工艺制造的定制芯片,作为专门用于 Codec Avatars 的加速器。


根据研究人员的说法,该芯片远非现成的。该小组在设计它时,考虑到了 Codec Avatars 处理管道的一个重要部分,特别是分析传入的眼球追踪图像,并生成 Codec Avatars 模型所需的数据。该芯片的占地面积仅有 1.6mm²。


研究人员写道:"在7纳米技术节点制造的测试芯片具有一个神经网络(NN)加速器,由1024个乘积(MAC)阵列、2MB片上SRAM和一个32位RISC-V CPU组成"。反过来,他们也重建了Codec Avatars人工智能模型的部分,以利用该芯片的特定架构。

研究人员表示:"通过重新构建基于卷积[神经网络]的眼睛注视提取模型,并为硬件量身定做,整个模型适合在芯片上使用,以减轻系统级能量和片外内存访问的延迟成本。通过在电路层面有效地加速卷积操作,所提出的原型[芯片]在低外形尺寸下实现了每秒30帧的性能和低功耗"。


通过加速 Codec Avatars 工作负载的密集部分,该芯片不仅加快了进程,而且还减少了所需的功率和热量。由于芯片的定制设计,它能够比通用CPU更有效地做到这一点,然后为Codec Avatars的眼球追踪组件的重新架构的软件设计提供参考。

但头显的通用CPU(在这种情况下,Quest 2的Snapdragon XR2芯片)也没有闲着。当定制芯片处理Codec Avatars的部分编码过程时,XR2管理解码过程和渲染化身的实际视觉效果。


这项工作一定是相当多学科的,因为论文中提到了12名研究人员,他们都来自Meta的现实实验室。H. Ekin Sumbul, Tony F. Wu, Yuecheng Li, Syed Shakib Sarwar, William Koven, Eli Murphy-Trotzky, Xingxing Cai, Elnaz Ansari, Daniel H. Morris, Huichu Liu, Doyun Kim, and Edith Beigne。

令人印象深刻的是,Meta的Codec Avatars可以在独立的耳机上运行,即使需要一个特殊的芯片。但我们不知道的一点是,头像的视觉渲染是如何处理的。用户的底层扫描是高度详细的,可能太复杂而无法在Quest 2上完全渲染。目前还不清楚在这种情况下,Codec Avatars的"逼真"部分被保留了多少,即使所有的基础部分都在那里以驱动动画。

艾邦建有AR/VR产业链微信群,目前有HTC、PICO、OPPO、亮亮视野、光粒科技、影创、创维、佳视、歌尔、立讯精密、多哚(纳立多)、欣旺达、耐德佳,联创电子、至格科技、灵犀微光、舜宇光学、广景视睿、珑璟光电、京东方、海信视像、科煦智能、阿科玛、金发科技、思立可、新安天玉、四方超轻、大族激光、发那科、承熹机电等加入,也欢迎大家长按下方图片识别二维码加入微信群:
Document Download
Welcome to join by clicking hereAR/VR DirectoryCurrently, there are more than 3000 members, including companies such as GoerTek, HTC, OPPO, Skyworth, PICO, ByteDance, Black Shark, Lenovo, Nreal, Lynx, Luxon, Lingxi MicroLight, Luxshare Precision, Leading Ideal, OFILM, Huaqin, Wentai, Luxshare, Lumus, Sisvel, and Shunyu, among others. Click on the keywords below for filtering.
en_USEnglish