Городская лента

M-detector на CPU упирается в 100% нагрузки и роняет приложение

· 5

Пакет M-detector, который отделяет движущиеся объекты от статичного фона в данных лидара, при тестировании полностью загружал 20-ядерный процессор Intel Core i7 12-го поколения и в итоге приводил к аварийному завершению приложения. При потоке около 20 000 точек каждые 100 мс пакет потреблял порядка 3 ГБ оперативной памяти — существенно больше остального приложения с его примерно 700 МБ.

M-detector встраивается между модулем одометрии DLIO и построением 2.5D мешкарты: статичные точки уходят в карту, динамические временно передаются в визуализатор. Это позволяет обойти ограничение одометрии на частоту обновления ключевых кадров и плотнее заполнять карту за счёт неповторяющегося сканирования лидара.

С настройками по умолчанию пакет не запустился: потребление памяти превысило доступные 16 ГБ DDR4-3200. Помогла оптимизация воксельной сетки — размер по высоте уменьшили с 40 до 6 м при 40×40 м в плане.

В помещении детектор несколько секунд корректно игнорировал собственное движение платформы, но затем предположительно из-за скачка одометрии все точки текущего скана были классифицированы как движущиеся. M-detector завис и начал накапливать отставание, а очередь обработки привела к аварийному завершению.

На улице результаты оказались менее стабильными. Даже при неподвижной платформе алгоритм находил движущиеся объекты, но на карте появлялись аномалии, предположительно в моменты пиковой загрузки CPU. В движении система недолго работала корректно, после чего загрузка снова достигла 100%, произошёл сбой и точки на карте сместились.

Причина сбоя — конкуренция за ресурсы между компонентами многопоточного приложения в Ubuntu 20.04, которая не относится к ОС реального времени. M-detector отнимает процессорное время у DLIO и коррелятора nanoGICP, скачки одометрии вызывают массовую ошибочную классификацию точек, и рост нагрузки замыкается в положительную обратную связь.

Перспективным решением назван перенос вычислений на GPU: замена DLIO на GLIM с поддержкой CUDA-ускорения либо нейросетевые подходы к детекции движущихся объектов, ориентированные на графические ускорители.