open3D 8K4K 系统方案_讨论稿

Open3D 8K4K 系统方案_讨论稿
征求了很多人的意见,终于出来了8K4K 3D系统方案的讨论稿。Xilinx大学计划的专家们给了不少建议,感觉受益匪浅。本次公布的讨论稿,是感觉系统方案还有进一步优化的空间,尤其是数据传输方面,很希望与做通信的童鞋一起讨论。
系统的总体构想如图1所示:
              
                                               图1,open3D 8K4K 总体构想
 
  系统可以分为2个部分,open3D 8K4K的接收端和源端,通过40G带宽的QSFP光纤传输无损视频。接收端要能够实现24帧3D画面处理,每帧包含2幅8K4K图像,分别对应左眼和右眼,收端的核心显示部分会由当前open3D改进而来,open3D的架构足够完成8K4K的显示,需要提高存储器的带宽至80Gbps以上(不集成FRC的情况),在后端采用ADV的HDMI1.4接口芯片,可以支持4K分辨率的输出,然后直接输出给4K的投影机或其他显示设备,采用ADV芯片的一个好处是,他们的资料都是公开的,包括硬件和软件,为我们的开源设计提供了法律上的方便。
现在收端的主要课题是光纤信号的接收,大概会有2套方案,也是现在要讨论的重点:
               
     图2,光纤接收的2种方案
方案1,采用高性能的FPGA,要求带有GTH接口,比如virtex6的HXT系列,要求单通道实现SFP有效带宽要达到10Gb以上,这样QSFP就可以实现40G的传输,当然根据之前计算的存储器带宽(80G-120G),对器件要求就比较高,成本也会上升,何况Virtex6 HXT以上的器件不是那么好买的,目前来看不太利于项目的推广。
方案2,光纤传输部分采用TI的ASIC实现,FPGA侧则实现XGMII的协议层处理和图像的处理,这样省去了GTH接口,系统成本会降低一些,普通virtex6即可实现,甚至大容量的Spartan6也可以挑战一下。这个方案的缺点是板级系统设计比较困难,TI的这种组合不知道有没有童鞋实现过,效果如何,还需要检验。
为光纤传输的方案,伤了不少脑筋,有通信实际经验的童鞋请不吝指教。
上面阐述了open3D 8K4K接收端的方案,下面再说说源端的方案:
源端总体而言就是输出一个8K4K 3D的图像,输出接口为QSFP光纤,输入接口为PCI Express 2.0。为什么是这样呢?首先目前看来只有QSFP 40G的光纤可以满足我们的基本需求,这是在仅传输16bit色彩空间的情况下算出来的(不敢奢望48bit的色深了),有的厂商,比如AVAGO,有更高带宽的方案,但都是自己标准,价格自然会很贵,买不买得到也是个问题。至于PCI-E 2.0接口,其有效带宽为500MB/Lane,那么16X正好是8GB,即64Gb,完全满足需求,而PCI-E 1.1标准的带宽会减半,所以无论如何也用不了了,同样的,源端的光纤方案也有2种:
     
图3,源端的2种实现方案
两种方案与接收端的课题相同,就不再过多介绍了。
从源端和接收端的系统方案来看,二者似乎可以共用一套板级系统,只是需要修改FPGA的代码即可,如果真能这样的话,应该可以节约一些PCB设计的时间。
虽然open3D 8K4K源于open3D,但是从技术指标上来看,已经是非常超前的了,要知道4K2K的2D电视刚刚在2013年的CES上露面,达到量产水平。这次要从板级系统设计开始,就挑选那些可以公开资源的芯片,从系统架构、原理图、PCB、FPGA的代码,均要公开,设计之前要先有文档出来,然后再去做实现。会有详细的开源加入规则出来的,对开发者稍微约束一下,呵呵,这也是吸取了open3D的经验之后的想法,都是为了项目能更加规范,更加易懂。
欢迎大家加入open3D 8K4K,开源世界最清晰的梦想。
                                                             more3D   
                                                      Blu_ray3D(at)163.com
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
open3d_pointnet2_semantic3d_master 是一个实现点云语义分割的项目。点云语义分割是指将点云数据中的每个点分配到特定的语义类别中,这对于机器人导航、三维重建等任务非常重要。 在 open3d_pointnet2_semantic3d_master 项目中,采用了 PointNet++ 网络结构来对点云数据进行处理。PointNet++ 是一种基于深度学习方法的点云处理网络,它能够有效地对不规则的点云数据进行分类和分割。 具体实现过程分为以下几个步骤: 1. 数据预处理:将原始的点云数据转换成适合网络处理的格式。这包括将点云数据转换成张量形式,并进行归一化操作。 2. 构建神经网络模型:在 open3d_pointnet2_semantic3d_master 中,使用了 PointNet++ 网络结构。该网络通过一系列的点卷积、采样和池化等操作,逐渐提取并聚合点云数据中的特征信息。 3. 训练模型:使用训练数据对构建的神经网络模型进行训练。在训练过程中,通过最小化损失函数来优化网络参数,以使网络能够更准确地进行语义分割。 4. 测试模型:利用测试数据对训练好的模型进行评估。通过计算模型在测试数据上的准确率、召回率等评价指标,来评估模型的性能。 open3d_pointnet2_semantic3d_master 的实现提供了一个简单易用的实验环境,使得研究人员和开发者可以快速地进行点云语义分割任务的研究和实践。通过该项目,我们可以更好地理解和利用点云数据中的语义信息,并将其应用到实际的应用场景中。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值