Алгоритмы определения параметров микроконтроллеров для систем управления мобильными роботами тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Шаккуф Али

• Шаккуф Али
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Шаккуф Али

Table of contents

Реферат

Synopsis

Introduction

Chapter 1. A Review on Control Systems Sample Rate Requirements and

Realization Techniques

1.1 Importance of Control System Sample Rate in Robotics

1.2 Object Detection in Robotic Systems

1.3 The Need for Advancements in Binary Neural Networks

1.3.1 Motivation: Why BNNs?

1.3.2 BNNs for Wheeled Robots and Drones Systems: A Systems-Level Efficiency Argument

1.3.3 The Prevalent Two-Tier Compute Architecture

1.3.4 BNN-Enabled Unified Compute Architecture

1.3.5 Discussion of Trade-offs and Applicability

1.4 Previous Works and Results in BNNs

1.5 Acceptable Accuracy Loss for Real-Time Robotic Performance . . . . 85 1.5.1 Computation of mAP

1.6 Advantages of BNNs Over 2-bit and 4-bit Quantized Networks

1.7 Metrics for BNN Computational Cost Estimation

1.8 Sampling Rate Estimation for Efficient Robotic Systems

Chapter 2. Forward Task in Robotic Systems to Estimate Sample Rate Using

Binary Neural Networks

2.1 Problem Statement

2.2 Proposed Solution: Estimating Sample Rate via LXNOROP Metric (Forward Task via LXNOROP)

2.3 Binary Vectors Multiplication

2.3.1 Encoding

2.3.2 Dot product in terms of binary encoding

2.3.3 Connection to XNOR and Hamming distance

2.3.4 Computation Cost Analysis of Binary Vector Multiplication

2.4 Optimize Binary Vectors Multiplication

2.4.1 Optimize for XNOR Operations

2.4.2 Look-up Tables as an Optimization for Set-Bits Counting Task

2.5 LXNOROP: A New Metric for Binary Neural Networks

2.6 Computation Cost of LXNOROP

2.7 Estimating Sample Rate via LXNOROP Metric (Forward Task)

2.8 Generic Performance Estimation Framework

2.8.1 Design Philosophy and Scope

2.8.2 Core Architectural Parameters

2.8.3 Excluded Acceleration Techniques

2.8.4 Practical Implications

2.9 Experiments

2.9.1 Experiment with STM32F429ZI

2.9.2 Experiment with Raspberry Pi 3 model B

Chapter 3. Inverse Task in BNNs: Determining Minimal Hardware via

Enumeration

3.1 Problem Statement

3.2 Proposed Solution: Determine Minimal Hardware Requirements for Robot Controller via LXNOROP Metric (Inverse Task via LXNOROP)

3.3 Solution Methodology: Enumeration-Based Approach

3.3.1 Discrete Search Space

3.3.2 Enumerative Procedure

3.3.3 Algorithmic Representation

3.4 Implementation and Experimental Setup

3.5 Results and Discussion

Chapter 4. Advanced Robotic Control Systems: Computational Complexity

and Sampling-Rate Estimation

4.1 Problem Statement

4.2 Proposed Solution: A Predictive Computational Complexity Framework

4.2.1 Novel Contributions and Utility

4.2.2 Scope and Delimitations

4.3 Estimating Total Execution Time and Control Frequency

4.4 Example 1: PID Controller

4.4.1 Discrete-Time PID Algorithm

4.4.2 Complexity Formulation

4.5 Example 2: State-Space Observer-Controller

4.5.1 The Observer-Controller Algorithm

4.5.2 Complexity Formulation

4.5.3 Derivation of the Complexity Equation

4.6 Example 3: Inverse Kinematics for a 2-DOF Planar Arm

4.6.1 The Inverse Kinematics Algorithm

4.6.2 Complexity Formulation

4.6.3 Derivation of the Complexity Equation

4.7 Example 4: Adaptive Controller of SPMSM Motor with DREM Algorithm

4.7.1 Algorithm Decomposition and Cost Analysis

4.7.2 Cost of the DREM Update Law

4.7.3 Total System Complexity

4.8 Algorithmic Overheads in Robotic Computing Systems

4.8.1 System-Level Overheads

4.8.2 BNN Implementation Overheads

4.8.3 Overhead Compensation Strategies

4.9 A Recipe for Computationally Efficient Robotic Systems

4.10 Experimental Validation Framework

4.11 Experiment 1: Robot System Modeling for Object Sorting Tasks in Gazebo with ROS2

4.11.1 Experiment Description

4.11.2 System Architecture and Operational Workflow

4.11.3 Computational Analysis of YOLOv8n

4.11.4 Theoretical Estimations vs Experiments Results

4.11.5 Computational Analysis of System Components

4.12 Experiment 2: Collecting Fruits with KUKA youBot

4.12.1 Experiment Description

4.12.2 Real vs. Virtual Experiment: Camera Frame Rate Limitation

and Interpolation Strategy

4.13 Control Law Update Rate and EtherCAT Constraints

4.14 Conclusion

List of abbreviations

List of figures

List of tables

References

Appendix A. Why it is fatal mistake to binarize the first layer in any BNN

model

Appendix B. Modeling and Analysis of Parallel Performance

B.1 Theoretical Models of Parallel Scalability

B.1.1 Amdahl's Law: The Law of Diminishing Returns

B.1.2 Alternative Models: Gustafson's Law and the USL

B.2 Characterizing the Sequential Bottleneck on Embedded SoCs

B.3 Empirical Measurement of the Parallelizable Fraction (P)

B.3.1 Methodology

Appendix C. Layer-Wise Analysis of Binary and Full-Precision YOLOv8n

Model

Appendix D. Texts of author's key publications

Введение диссертации (часть автореферата) на тему «Алгоритмы определения параметров микроконтроллеров для систем управления мобильными роботами»

Реферат

Общая характеристика диссертации

Актуальность. Постоянное развитие робототехнических систем, работающих от аккумуляторов — таких как беспилотные летательные аппараты и колесные роботы — характеризуется фундаментальным архитектурным разделением. Традиционные системы используют выделенные микроконтроллеры для низкоуровневого управления двигателями, тогда как продвинутые «интеллектуальные» функции — такие как восприятие и принятие решений на основе нейронных сетей — требуют отдельных высокопроизводительных вычислительных модулей. Такое разделение приводит к проблемам, связанным со стоимостью, энергопотреблением, сложностью системы и задержками передачи данных.

На базе указанных фундаментальных результатов в последние годы появляется всё больше работ, посвящённых применению бинарных нейронных сетей (BNN) в встраиваемых и робототехнических системах. Например, Ferrarini и др. (2022) [1] и Wang и др. (2024) [2] исследуют использование бинарных нейронных сетей для задач визуальной локализации и восприятия в условиях ограниченных вычислительных и энергетических ресурсов. Аналогичным образом, Su и др. (2023) [3], Nie и др. (2022) [4] и Vorabbi и др. (2024) [5] анализируют компромиссы аппаратной реализации и стратегии развертывания на встраиваемых ускорителях. Более широкий методологический обзор современных архитектур BNN представлен в работе Yuan (2023) [6].

Несмотря на значительный вклад перечисленных исследований, подтвердивший эффективность BNN для ресурсоограниченных систем и показавший растущий интерес к их применению в робототехнике, до настоящего времени отсутствует формализованная и единая методика оценки вычислительной сложности BNN, позволяющая осуществлять совместное проектирование систем восприятия и контуров управления в рамках одного контроллера в реальном времени. Настоящая диссертация направлена на решение этой задачи посредством разработки единой архитектуры, объединяющей интеллектуальную обработку и контур управления на одном встраиваемом устройстве. Такая архитектура обеспечивает выполнение

требуемых частот дискретизации как алгоритмов управления, так и обработки сенсорных данных, что позволяет робототехнической системе функционировать в реальном времени.

Решение ключевых проблем индустрии

Традиционная архитектура с двумя контроллерами создаёт несколько узких мест, препятствующих созданию более эффективных, доступных и быстрореагирующих роботов. Предлагаемый подход напрямую устраняет эти проблемы:

1. Снижение стоимости: Исключение необходимости в отдельном высокопроизводительном вычислительном модуле (например, GPU или специализированном AI-ускорителе) значительно сокращает стоимость аппаратного обеспечения (Bill of Materials, BOM). Это делает передовые робототехнические решения экономически более доступными для широкого спектра применений — от промышленной автоматизации до потребительских устройств.

2. Энергоэффективность: Выполнение вывода нейронных сетей является вычислительно сложной и энергозатратной задачей. Использование бинарных нейронных сетей позволяет существенно снизить вычислительную нагрузку и потребление энергии. Это имеет решающее значение для автономных роботов, работающих от аккумуляторов (например, дронов и мобильных манипуляторов), где энергоэффективность напрямую определяет время автономной работы.

3. Снижение задержек и повышение отзывчивости: В системах с двумя контроллерами передача данных между модулями интеллекта и управления неизбежно вносит задержку. Данные необходимо упаковать, передать и распаковать, что создаёт временной лаг, критичный для задач реального времени. Объединение обеих функций в одном микроконтроллере обеспечивает прямой и высокоскоростной обмен данными, минимизируя задержку и повышая детерминированность работы системы.

4. Интеграция системы и миниатюризация: Объединение двух подсистем в одну упрощает общую электронную архитектуру, уменьшает физические размеры блока управления и повышает надёжность за счёт сокращения числа компонентов и соединений. Это особенно важно при создании компактных, надёжных и легко интегрируемых робототехнических решений.

Инновационный подход: формализованная методология

Предлагаемая работа выходит за рамки демонстрации концепции и предлагает строгую методологию, делающую интеграцию предсказуемой и практически применимой для инженеров-разработчиков:

- Моделирование вычислительных затрат: Разработанные и верифицированные метрики позволяют точно оценивать вычислительную нагрузку как для бинарных нейронных сетей, так и для алгоритмов управления. Это позволяет инженерам заранее ответить на ключевой вопрос: «Исходя из требований к интеллекту и управлению моего робота, какие минимальные характеристики должен иметь процессор?»

- Практическая валидация: Экспериментальные исследования демонстрируют возможность распределения вычислительных ресурсов процессора, например: выделение трёх ядер под выполнение БКК и одного ядра под задачи управления в реальном времени на четырёхъядерном процессоре. Это обеспечивает чёткие рекомендации для реализации.

Актуальность данного исследования является высокой и непосредственной. Возможность одновременного выполнения сложных интеллектуальных задач и точного управления на одном маломощном контроллере представляет собой не просто эволюционное улучшение, а смену парадигмы. Это открывает путь к созданию нового класса роботов — более умных, дешёвых, энергоэффективных и быстрореагирующих. Для бизнеса это означает получение конкурентных преимуществ за счёт снижения себестоимости, повышения производительности и возможности выхода на новые рыночные ниши, где существующие решения слишком дорогие или энергоёмкие. Настоящая

диссертация формирует теоретическую и экспериментальную основу для превращения этой архитектурной концепции в практическую инженерную реальность.

Проведённые исследования показывают, что бинарные нейронные сети обеспечивают значительный прирост вычислительной эффективности по сравнению с полноточными и другими квантованными нейросетями при сохранении приемлемой точности для робототехнических приложений. Экспериментальная проверка на платформах Raspberry Pi 5, Raspberry Pi 3 и STM32F429ZI показала, что предложенная метрика LXNOROP обеспечивает точное предсказание производительности с максимальным отклонением от реальных измерений не более 5.7% в наихудшем случае.

Диссертационная работа формирует основу для системного проектирования и внедрения энергоэффективных робототехнических систем, использующих бинарные нейронные сети для восприятия и принятия решений при сохранении управления в реальном времени на одном микроконтроллере.

Цель исследования. Разработка алгоритмов управления и методов расчёта параметров бинарных нейронных сетей и систем управления, обеспечивающих функционирование системы на одном микроконтроллере в реальном времени, включая: (A) разработку и оценку новой метрики для бинарных нейронных сетей (BNN) и (B) проектирование предсказательной модели вычислительной сложности (Predictive Computational Complexity Framework), выражающей вычислительную стоимость любого закона управления в общем виде.

Разработанная метрика точно отражает вычислительную сложность и эффективность BNN, учитывая их зависимость от побитовых операций и паттернов обращения к памяти, обеспечивая тем самым более глубокую и надёжную основу для сравнения и оптимизации архитектур BNN, особенно при их применении на устройствах с ограниченными вычислительными ресурсами.

Научные задачи. Для достижения поставленной цели в рамках данной диссертационной работы были сформулированы и решены следующие задачи:

Задача 1. Разработать точную метрику, выражающую вычислительную стоимость бинарных нейронных сетей.

Задача 2. Определить и решить задачу оценки максимальной частоты дискретизации сигналов датчиков робота при использовании моделей BNN.

Задача 3. Определить и решить задачу подбора аппаратных характеристик, обеспечивающих требуемую частоту дискретизации работы робота с моделями BNN.

Задача 4. Разработать предсказательную модель вычислительной сложности (Predictive Computational Complexity Framework) для систем управления в дискретном времени с учётом неопределённостей системы.

Задача 5. Провести валидацию предложенной дискретно-временной структуры системы управления, объединённой с бинарными нейронными сетями для решения задач восприятия в процессе разработки робототехнических систем.

Методы исследования. Для получения теоретических результатов использовались современные методы анализа вычислительной сложности, техники оптимизации бинарных нейронных сетей и адаптивные алгоритмы управления. Была разработана новая метрика LXNOROP (Lookup XNOR Operation). Предложены прямые и обратные постановки задач для оптимизации внедрения BNN и определения аппаратных требований. Комплексная проверка робототехнической системы проводилась с использованием ROS2 (Robot Operating System 2) для модульной интеграции и симуляционной среды Gazebo для виртуальных испытаний. Экспериментальная проверка осуществлялась на мобильной робототехнической платформе KUKA youBot, что подтвердило практическую применимость разработанных методик в задачах автономного обнаружения, классификации и манипулирования объектами.

Основные положения, выносимые на защиту.

1. Алгоритм оценки частоты дискретизации входного сигнала для модели БНС на основе параметров аппаратного обеспечения, предназначенный для систем роботизированного управления.

2. Алгоритм определения требований к аппаратному обеспечению роботизированной платформы для обеспечения заданной минимальной частоты дискретизации входного сигнала системы управления с использованием модели БНС.

3. Прогностическая модель вычислительной сложности для систем управления робототехники в дискретном времени.

Научная новизна. Диссертационная работа включает три основных научных результата:

1. Метрика LXNOROP: Новый подход и математическое выражение для выполнения умножения бинарных векторов с использованием таблиц поиска. Основная операция, называемая LXNOROP, объединяет операции Add, XNOR и Shift, необходимые для умножения между бинарными подвекторами. Эта метрика предоставляет математическое выражение, которое количественно определяет стоимость одной операции LXNOROP в тактовых циклах на любом устройстве CPU или MCU.

2. Прямая и обратная задачи: Определение и решение прямой и обратной задач для BNN. Прямая задача оценивает частоту вывода Smax для данной модели M и целевого устройства D. Обратная задача определяет минимальные аппаратные требования (ширина шины, объем памяти, время доступа к памяти и тактовая частота) целевого устройства D, которые обеспечивают частоту вывода не менее Smin при развертывании модели M на устройстве D.

3. Унифицированная вычислительная система (Unified Computational Framework): Комплексная методология, объединяющая анализ вычислительной сложности бинарных нейронных сетей с моделированием сложности систем управления роботами, что обеспечивает совместное проектирование алгоритмов и аппаратных средств для достижения оптимальной производительности.

Теоретическая значимость. Научная значимость диссертации заключается в устранении фундаментальной недостаточности существующих метрик для оценки бинарных нейронных сетей. Разработанная унифицированная вычислительная методология позволяет проектировать энергоэффективные робототехнические системы. Предложенная метрика LXNOROP обеспечивает количественный подход, специально разработанный для бинарных нейронных сетей, что позволяет:

- Точно моделировать вычислительные требования бинарных нейронных сетей;

- Справедливо сравнивать различные архитектуры BNN;

- Осуществлять поиск архитектур с учётом особенностей аппаратного обеспечения (hardware-aware neural architecture search);

- Оптимально распределять вычислительные ресурсы встраиваемых систем.

Теоретические результаты работы расширяют понимание принципов функционирования бинарных нейронных сетей и создают основу для дальнейших исследований в области энергоэффективного глубокого обучения в робототехнике.

Практическая значимость. Практическая значимость работы охватывает несколько направлений:

1. Робототехнические системы: Разработанная унифицированная вычислительная методология позволяет проектировать энергоэффективные робототехнические системы, способные работать длительное время от аккумулятора при сохранении производительности в реальном времени.

2. Периферийные вычисления (Edge Computing): Предложенная методология предоставляет инструменты для развёртывания сложных моделей искусственного интеллекта на устройствах с ограниченными ресурсами, что открывает возможности для интеллектуальных приложений в сфере Интернета вещей (IoT) и мобильных вычислений.

3. Совместное проектирование алгоритмов и аппаратуры (Algorithm-Hardware Co-design): Разработанный подход обеспечивает одновременную оптимизацию алгоритмов и аппаратных решений, что приводит к повышению эффективности и снижению стоимости систем.

4. Промышленные применения: Полученные результаты позволяют внедрять передовые системы управления и восприятия в промышленных роботах, автономных транспортных средствах и интеллектуальных производственных комплексах.

Достоверность. Степень достоверности полученных результатов высокая и подтверждается отсутствием противоречий с известными научными положениями, теоретическими обоснованиями, результатами апробации разработанных моделей и алгоритмов в ходе имитационного моделирования, на наборах общепринятых тестов и данных, а также натурных экспериментов с расчетом объективным метрик качества работы. Результаты модельных и

опытных экспериментов, приведенные в работе, показывают справедливость основных утверждений и высокую эффективность предложенных алгоритмов.

Аппробация работы. Апробация результатов научного исследования подтверждена 4 публичными докладами на всероссийских и/или международных конференциях за последние 3 года:

1. XIV Конгресс молодых ученых ИТМО (КМУ 2025) - Forward and inverse tasks for inference rate estimation in binary neural networks.

2. LIV Научная и учебно-методическая конференция ИТМО (ППС 2025) -XNOROPS a New Metrie for the Binary Neural Networks Performance.

3. The 36th Conference of Open Innovations Association FRUCT 2024 -XNOROP: a New Metric for Binary Neural Networks Performance Measurement.

4. LII Научная и учебно-методическая конференция ИТМО (ППС 2023) -Machine learning for embedded systems.

Личный вклад автора. Результаты диссертационного исследования, представленные к защите и включающие выводы по основным положениям, моделированию и экспериментальным исследованиям, были получены соискателем Шаккуфом Али самостоятельно. Личный вклад соискателя заключается в проведении анализа литературы, разработке, программной реализации и тестировании алгоритмов расчёта вычислительной сложности алгоритмов систем управления в робототехнических системах в дискретном времени; программной реализации и тестировании алгоритмов оценки вычислительной сложности бинарных нейронных сетей (BNN) в общем виде; разработке методов оценки частоты дискретизации алгоритмов управления; разработке методов оценки частоты дискретизации входных сигналов от сенсоров, используемых в задачах восприятия; подготовке публикаций по результатам исследований и представлении результатов на научных конференциях.

Объём и структура работы. Диссертация состоит из введения, 4 глав, заключения и 4 приложений. Полный объём диссертации составляет 244 страницы, включая 60 рисунков и 11 таблиц. Список литературы содержит 95 наименований.

Основное содержание работы

Во введении диссертации обоснована актуальность темы исследования на основе анализа существующих научных работ и практической необходимости решения рассматриваемых проблем. Сформулированы цель, задачи, научная новизна, теоретическая и практическая значимость исследования.

В данной диссертации рассматривается задача слежения за заданным объектом в робототехнических системах, где выход системы у(Ь) должен следовать за требуемым опорным сигналом у*(£). Данные с камеры обеспечивают как обратную связь для управления, так и визуальную информацию, формируя входной сигнал у(1) + Ь(Ь) для микроконтроллера (МСи). Микроконтроллер оценивает выход у(1) и генерирует управляющий сигнал п(1) таким образом, чтобы минимизировать ошибку слежения в(Ь).

У

А) Общая схема системы с обратной связью.

Необходимо обеспечить частоту дискретизации Я\

В) Внутренняя архитектура микроконтроллера МСи. Рисунок 1 — Структурная схема системы визуального управления с обратной связью, показывающая: (А) общую петлю системы и (В) внутренние компоненты

микроконтроллера МСи.

Список литературы диссертационного исследования кандидат наук Шаккуф Али, 2025 год

REFERENCES

1. Tan S., Zhang Z., Cai Y., Ergu D., Wu L., Hu B., Yu P., & Zhao Y. arXivpreprint, arXiv:2408.00496, 2024.

2. Lin X.V., Shrivastava A., Luo L., Iyer S., Lewis M., Gosh G., Zettlemoyer L., & Aghajanyan A. arXiv preprint, arXiv:2407.21770, 2024.

3. Cui Z., Yao J., Zeng L., Yang J., Liu W., & Wang X. arXiv preprint, arXiv: 2407.18054, 2024.

4. Calculate Computational Efficiency of Deep Learning Models with FLOPs and MACs, KDnuggets, June 19, 2023, https://www.kdnuggets.com/2023/06/calculate-computational-efficiency-deep-learning-models-flops-macs.html.

5. Dongarra J. Performance of various computers using standard linear equations software in a Fortran environment, Argonne National Laboratory Report ANL-80-70, Argonne, Illinois, 1979.

6. Courbariaux M., Bengio Y., & David J.-P. Binary Connect: Training Deep Neural Networks with binary weights during propagations, 2016, https://arxiv.org/abs/1511.00363.

7. Shakkouf A. and Sergeevich G.V. 36th Conference of Open Innovations Association (FRUCT), Lappeenranta, Finland, 2024, pp. 721-728, DOI: 10.23919/FRUCT64283.2024.10749876.

8. Wang L., Zhan J., Gao W., Yang K., Jiang Z., Ren R., He X., & Luo C. BOPS, Not FLOPS! A New Metric and Roofline Performance Model For Datacenter Computing, 2019, https://arxiv.org/abs/1801.09212.

9. Moosmann J., Bonazzi P., Li Y., Bian S., Mayer P., Benini L., & Magno M. Ultra-Efficient On-Device Object Detection on Al-Integrated Smart Glasses with TinyissimoYOLO, 2023, https://arxiv.org/abs/2311.01057.

10. Geiger et al. Journal of Open-Source Software, 2020, no. 5(45), pp. 1746, https://doi.org/10.21105/joss.01746.

DATA ON AUTHORS

Ali Shakkouf — Post-Graduate Student; ITMO University, Faculty of Control Systems and

Robotics; E-mail: [e-mail]

VladislavS. Gromov — PhD; ITMO University, Faculty of Control Systems and Robotics; Associate

Professor; E-mail: [e-mail]

Received 21.01.25; approved after reviewing 18.02.25; accepted for publication 28.05.25.

Forward and inverse tasks for inference rate estimation in binary neural networks

575

СПИСОК ЛИТЕРАТУРЫ

1. Tan S., Zhang Z., Cai Y., Ergu D., Wu L., Hu B., Yu P., & Zhao Y. SegStitch: Multidimensional Transformer for Robust and Efficient Medical Imaging Segmentation // arXiv preprint arXiv:2408.00496, 2024.

2. Lin X. V, Shrivastava A., Luo L., Iyer S., Lewis M., Gosh G., Zettlemoyer L., & Aghajanyan A. MoMa: Efficient Early-Fusion Pre-training with Mixture of Modality-Aware Experts // arXiv preprint arXiv:2407.21770, 2024.

3. Cui Z., Yao J., Zeng L., Yang J., Liu W., & Wang X. LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels // arXiv preprint arXiv: 2407.18054, 2024.

4. Calculate Computational Efficiency of Deep Learning Models with FLOPs and MACs // KDnuggets. 2023. June 19. [Электронный ресурс]: https://www.kdnuggets.com/2023/06/calculate-computational-efficiency-deep-learning-models-flops-macs.html

5. Dongarra J. Performance of various computers using standard linear equations software in a Fortran environment // Argonne National Laboratory Report ANL-80-70. Argonne, Illinois. 1979.

6. Courbariaux M., Bengio Y., & David J. -P. BinaryConnect: Training Deep Neural Networks with binary weights during propagations. 2016. [Электронный ресурс]: https://arxiv.org/abs/1511.00363.

7. Shakkouf A., Sergeevich G. V. XNOROP: a New Metric for Binary Neural Networks Performance Measurement // 36th Conf. of Open Innovations Association (FRUCT), Lappeenranta, Finland, 2024. P. 721-728. DOI: 10.23919/ FRUCT64283.2024.10749876.

8. Wang L., Zhan J., Gao W., Yang K, Jiang Z., Ren R., He X., & Luo C. BOPS, Not FLOPS! A New Metric and Roofline Performance Model For Datacenter Computing // https://arxiv.org/abs/1801.09212, 2019.

9. Moosmann J., Bonazzi P., Li Y., Bian S., Mayer P., Benini L., & Magno M. Ultra-Efficient On-Device Object Detection on AI-Integrated Smart Glasses with TinyissimoYOLO // https://arxiv.org/abs/2311.01057, 2023.

10. Geiger et al. Larq: An Open-Source Library for Training Binarized Neural Networks // Journal of Open-Source Software. 2020. N 5(45). P. 1746. DOI: 10.21105/joss.01746.