十年前，微軟創始人比爾 · 蓋茨在其文章《A Robot in Every Home》里提出他對未來的憧憬：機器人將會像個人電腦一樣進入每個家庭，為人類服務。隨著人工智能以及智能硬件在過去幾年的飛速發展，到了2016年的今天，筆者堅信各項技術已臻成熟，智能機器人很快進入商業化時代，蓋茨的愿景也極有可能在5到10年內實現。
　　要想機器人有智能，必先賦予其感知能力。感知計算，特別是視覺以及深度學習，通常計算量比較大，對性能要求高。但是機器人受電池容量限制，可分配給計算的能源比較低。除此之外，由于感知算法不斷發展，我們還需要不斷更新機器人的感知處理器。與其它處理器相比，FPGA具有低能耗、高性能以及可編程等特性，十分適合感知計算。本文首先解析FPGA的特性，然后介紹FPGA對感知算法的加速以及節能，最后談一談機器人操作系統對FPGA的支持。
　　FPGA：高性能、低能耗、可編程
　　與其它計算載體如CPU與GPU相比，FPGA具有高性能、低能耗以及可硬件編程的特點。圖1介紹了FPGA的硬件架構，每個FPGA主要由三個部分組成：輸入輸出邏輯，主要用于FPGA與外部其他部件，比如傳感器的通信；計算邏輯部件，主要用于建造計算模塊；以及可編程連接網絡，主要用于連接不同的計算邏輯部件去組成一個計算器。在編程時，我們可以把計算邏輯映射到硬件上，通過調整網絡連接把不同的邏輯部件連通在一起去完成一個計算任務。比如要完成一個圖像特征提取的任務，我們會連接FPGA的輸入邏輯與照相機的輸出邏輯，讓圖片可以進入FPGA。然后，連接FPGA的輸入邏輯與多個計算邏輯部件，讓這些計算邏輯部件并行提取每個圖片區域的特征點。最后，我們可以連接計算邏輯部件與FPGA的輸出邏輯，把特征點匯總后輸出。由此可見，FPGA通常把算法的數據流以及執行指令寫死在硬件邏輯中，從而避免了CPU的Instruction Fetch與Instruction Decode 工作。
　　
　　圖1 FPGA硬件架構
　　高性能
　　雖然FPGA的頻率一般比CPU低，但是可以用FPGA實現并行度很大的硬件計算器。比如一般CPU每次只能處理4到8個指令，在FPGA上使用數據并行的方法可以每次處理256個或者更多的指令，讓FPGA可以處理比CPU多很多的數據量。另外，如上所述，在FPGA中一般不需要Instruction Fetch與Instruction Decode， 減少了這些流水線工序后也節省了不少計算時間。
　　為了讓讀者對FPGA加速有更好的了解，我們總結了微軟研究院2010年對BLAS算法的FPGA加速研究。BLAS是矩陣運算的底層庫，被廣泛運用到高性能計算、機器學習等領域。在這個研究中，微軟的研究人員分析了CPU、GPU以及FPGA對BLAS的加速以及能耗。圖2對比了FPGA以及CPU、GPU執行GaxPy算法每次迭代的時間，相對于CPU，GPU與FPGA都達到了60%的加速。圖中顯示的是小矩陣運算，隨著矩陣的增大，GPU與FPGA相對與CPU的加速比會越來越明顯。
　　
　　圖2 GaxPy 算法性能對比 （單位：微秒）
　　低能耗
　　FPGA相對于CPU與GPU有明顯的能耗優勢，主要有兩個原因。首先，在FPGA中沒有Instruction Fetch與Instruction Decode，在Intel的CPU里面，由于使用的是CISC架構，僅僅Decoder就占整個芯片能耗的50%；在GPU里面，Fetch與Decode也消耗了10%～20%的能源。其次，FPGA的主頻比CPU與GPU低很多，通常CPU與GPU都在1GHz到3GHz之間，而FPGA的主頻一般在500MHz以下。如此大的頻率差使得FPGA消耗的能源遠低于CPU與GPU。
　　圖3對比了FPGA以及CPU、GPU執行GaxPy算法每次迭代的能源消耗。可以發現CPU與GPU的能耗是相仿的，而FPGA的能耗只是CPU與GPU的8%左右。由此可見，FPGA計算比CPU快60%，而能耗只是CPU的1/12，有相當大的優勢，特別在能源受限的情況下，使用FPGA會使電池壽命延長不少。