Resumen
Los vehículos autónomos son ya realidades técnicamente viables y en evolución. Su inteligencia reside en el uso de redes neuronales de
aprendizaje profundo (DNNs) que requieren de mayores capacidades de cómputo y menores consumos de energía. En los últimos años,
la lógica reconfigurable (FPGAs) ha permitido acelerar la ejecución de estas DNNs ofreciendo soluciones hardware más complejas,
eficientes y que admiten actualizaciones con propósito de mejora, correcciones de errores o reajuste atendiendo a las circunstancias
operativas del vehículo, previstas o no. Sin embargo, las siempre crecientes necesidades de reducción de costes y tiempos de
comercialización del sector automotriz, unidas a la incapacidad humana de ofrecer soluciones complejas libres de errores, plantean un
reto a la hora de garantizar el uso confiable e inocuo de estos aceleradores para DNNs basados en FPGAs.
Por un lado, el objetivo de DEFADAS es el de diseñar e implementar estrategias adaptativas de tolerancia a fallos (TaF) basadas en
lógica reconfigurable. No se busca simplemente tolerar los fallos que podrían afectar a los aceleradores evaluados, sino permitir que
estos puedan cambiar tanto sus capacidades funcionales como de TaF, en función de las necesidades, y sin tener que reprogramar todo
el sistema cada vez. De este modo, podremos ofrecer mayores niveles de protección, reduciendo así la intensidad con la que los fallos
del hardware, especialmente los propios de las FPGAs, que van en aumento a medida que aumentan las escalas de integración, afectan
al procesamiento de las DNNs.
Por otro lado, la adopción por parte de la industria de estos nuevos mecanismos adaptativos de TaF dependerá en gran medida de la
capacidad de DEFADAS para verificar, y más adelante certificar, su correcto funcionamiento bajo hipótesis de fallo y situaciones
operativas cambiantes. Las técnicas de inyección de fallos son instrumentos de evaluación privilegiados en este contexto. Sin embargo, la
mayor parte de las soluciones existentes asumen la inmutabilidad del hardware, con lo que no resultan adecuadas en el contexto de
investigación de DEFADAS, y deben revisarse. Del mismo modo, no hay que obviar que el objetivo no es sólo que los aceleradores
resultantes sean más confiables, sino que deben ofrecer a la vez, unas mejores prestaciones y un menor consumo y coste. Por ello es
necesario poder evaluar comparativamente (benchmarking) las alternativas disponibles y optimizar su configuración atendiendo a los
resultados de dicha evaluación.
