驾驶员分心行为多任务学习模型剪枝与NPU部署精度恢复.docxVIP

PAGE2

驾驶员分心行为多任务学习模型剪枝与NPU部署精度恢复

摘要

随着智能网联汽车的发展，驾驶员监控系统（DMS）成为保障行车安全的核心组件。然而，多任务学习模型在提升分心行为识别精度的同时，也带来了巨大的算力开销，难以在边缘侧神经网络处理器（NPU）上实时部署。本课题针对DMS多任务模型在Orin-N平台部署时面临的推理延迟高与INT8量化精度骤降问题，设计了一套结构化剪枝与知识蒸馏联合优化方案，并提出了针对性的量化精度恢复策略。

全文按照需求分析、总体设计、详细设计、实现与测试的工程递进思路展开。第一章与第二章剖析了DMS边缘部署的痛点并论证了技术选型；第三章明确了延迟低于8ms@30FPS与量化精度损失小于1%的核心指标；第四章与第五章完成了云端训练优化与边缘推理部署的架构及模块设计，重点阐述了剪枝蒸馏联合训练与INT8校准恢复算法；第六章与第七章展示了系统实现过程并进行了详尽的性能测试，验证了方案的有效性；第八章对全文进行总结与展望。

本设计的核心创新点在于：提出了针对多任务分支的异步结构化剪枝策略，结合特征级知识蒸馏有效保留了剪枝后的暗知识；设计了量化敏感层混合精度重训练机制，成功将INT8量化后的精度损失控制在1%以内，并在Orin-N上实现了7.2ms的极速推理。

第一章绪论

1.1研究背景

在高级辅助驾驶系统（ADAS）中，驾驶员监控系统（DMS）承