目前已实现基于稀疏卷积的centerpoint部署，精度不丢失，在3080ti 下，nuscenes数据集 fp32 一帧耗时32ms左右，比pytorch推理速度快3倍！

centerpoint推理网络分3部分：

• 1.backbone前面部分用tensorRT实现定义算子，包含5个TensorRT算子

  • 由点云生成voxel信息
  • 对每个voxel计算均值
  • 子流线稀疏卷积
  • 普通的稀疏卷积
  • 稀疏卷积网络部分输出信息经scatter转为[N，C，H，W]形式

  该自定义算子部分调用TensorRT API搭建网络，导出用于TensoRT推理的pfe.trt文件

• 2.backbone 2D卷积 ，该部分经过pytorch-->onnx-->Trt的的形式转换出TensoRT的rpn.trt推理文件，方便后续做int8的感知训练量化

• 3. 后处理：使用c++/cuda实现

性能优化记录

fp32下 rpn部分耗时11.5ms左右，后处理部分耗时1ms多点，rpn部分调用TensoRT的2D卷积，耗时固定的，接下来主要针对自定义算子的前处理+pfe + 后处理速度进行优化

耗时优化记录如下：

• 20230101： 完成初版
  pfe 3d conv：216ms
• 20230105 ： 针对自定义算子中间变量的显存分配，使用malloc、free太耗时，改为手动分配显存，合并内存分配，并保持内存对齐
  pfe 3d conv：200ms
• 20230108： 使用二维grid和二维线程块
  pfe 3d conv 120ms
• 20230110 ： 使用共享内存，每个线程计算一个数
  pfe 3d conv 48ms
• 20230202： 针对全局内存加载数据访存比低问题，使用共享内存并分块，每个线程计算 8*8 个数,同时解决M,N不能整除BM,BN的边缘问题，但结果有部分数据异常，需进一步排查
  pfe 3d conv 45ms
• 20230302 ： 修复分块共享内存的矩阵乘法部分数据异常问题
  pfe 3d conv：45ms
• 20230308 共享内存存在bank冲突，将矩阵A在共享内存中按列缓存，解决共享内存将结果写入全局变量的bank冲突问题，同时使用向量化float4增大全局数据读写的带宽利用率
  pfe 3d conv：24ms
• 20230310：
  • 使用向量化，定义宏定义#define INT4(pointer) (reinterpret_cast(&(pointer))[0])，替换new_getSubMIndicePairsKernel和fillGridKernelV2核函数中valid_points的全局读操作，增大内存读的带宽率 pfe 3d conv：22.8ms
  • 优化稀疏卷积核函数getValidOutPosKernel，去掉valid_points写的原子操作，
    利用向量化int4进行全局内存写,同时去掉valid_points_num的原子操作
    pfe 3d conv：21.8ms
  • 调整子流线卷积中indice_pairs(rulebook)的存储顺序，使用[N,27,2]替换[27,2,N] 便于使用向量化float2,
    #define FLOAT2(pointer) (reinterpret_cast(&(pointer))[0])，同时写入rulebook中输入输出序号，增大内存带宽利用率。矩阵乘法部分相应也需要修改
    pfe 3d conv：20.6ms
• 20230311 ：
  • 调整普通稀疏卷积中indice_pairs(rulebook)的存储顺序，使用[N,27,2]替换[27,2,N] 便于使用向量化float2读写数据
    pfe 3d conv：20.3ms
  • 稀疏卷积add_bias_kernel核函数改为二维grid和二维block,同时使用float4读写数据
    pfe 3d conv：19.9ms

下一步：

• 3.15 ：在orin芯片上测试基于稀疏卷积centerpoint耗时
• 3.18：增加fp16的TensorRT算子，预估fp16 x86下的耗时可以到20ms内
• 3.30 ：针对后处理部分nms耗时1ms多，耗时过长，将head部分都统计改为cuda实现