CUDA的Occupancy和Achieved Occupancy概念

官方原文

Occupancy is defined as the ratio of active warps on an SM to the maximum number of active warps supported by the SM.

即Occupancy = active warps / maximum number of active warps on this SM

Low occupancy results in poor instruction issue efficiency, because there are not enough eligible warps to hide latency between dependent instructions.

即这里的“active warps",是指可以随时context switch切换到处理器上的那些warps,不是指处理器上正在执行的warps! 

active warps多些,可以将因IO等因素hang住的warps隐藏起来,处理器一直忙碌;

每种型号的SM有理论上限,这些是制约Theoretical Occupancy的因素:

1. Warps per SM;

2. Blocks per SM; (同一个SM上可以同时执行多个Block)

3. Registers per SM;

4. Shared memory per SM;

5. Registers & Shared memory used per Block;

 

Achieved Occupancy:Occupancy在不同时刻,所有SM范围,上的平均值;

其低于Theoretical Occupancy的原因:

1. block内部执行时间不balance: 有的warp结束得早,有的结束得晚;(tail effect)

2. block之间不balance: 有的block结束得早,有的结束得晚;

3. Launch的block数目太少;

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Bayesian Occupancy Filter(基于贝叶斯推断的占有度滤波器)是一种在机器人感知与地图构建中常用的滤波器。它基于贝叶斯概率推断原理,用于估计环境中每个位置的占用状态。该滤波器的主要目的是改进感知器的测量值,以准确地估计位置的占有度。 Bayesian Occupancy Filter使用了一个二值化的栅格地图来表示环境。每个栅格代表一个离散的位置,并用1或0表示已占用或空闲。在该滤波器中,每个栅格的占有度状态是通过先验概率与测量概率进行更新的。 滤波器中的先验概率表示了栅格在没有任何测量信息时的占有度估计。它通常初始化为一个中性的值,可以是0.5表示不确定性。当有新的观测数据时,根据贝叶斯定理计算出后验概率,从而更新栅格的占有度估计。 在每个时间步骤中,Bayesian Occupancy Filter采用贝叶斯更新规则,将先验概率与测量概率相乘,得到栅格的后验概率。测量概率通常基于传感器测量模型,并考虑到噪声和不确定性。当测量概率较高时,表明传感器测量结果与先验估计一致,从而提高了栅格的占有度置信度。 Bayesian Occupancy Filter还包括一个更新阈值,用于确定栅格是否被更新。当栅格的置信度超过阈值时,将其视为有足够的证据进行更新。这样可以降低不准确的测量数据对占有度估计的干扰。 总之,Bayesian Occupancy Filter通过基于贝叶斯推断的方法,结合先验概率与测量概率,实现对环境中每个位置占有度的估计。它是机器人感知与地图构建中常用的滤波器,可以提高环境建模的准确性,并在机器人导航与路径规划等领域有广泛应用。

“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