伴随着3D视觉时代的到来,衍生了各种形式的3D卷积神经网络框架,并开始广泛地应用到生活当中。其中,点云数据是一种重要的三维数据形式,其可以非常直接并且简洁的表示三维物体模型。因此,基于点云数据的卷积神经网络的研究是研究者们的重要方向之一。随着计算机技术以及半导体芯片的迅猛发展,为卷积神经网络模型和数据处理提供了高能效,高速的计算资源。FPGA或专用芯片的卷积神经网络加速器的发展更是推动了神经网络模型可以更加广泛地在各种移动设备上使用,其在体积,功耗等方面都相对于CPU,GPU等有很大的优势。近年来的特定领域架构的FPGA或专用芯片如谷歌的TPU,昇滕AI处理器等在2D图像处理,声音以及信号处理上的应用已经非常广泛且非常有效。但是点云数据具有无序性,刚体变化不变形以及点与点之间具有相关性等特点,这与传统图像相比具有较大的差异,因此主流的卷积神经网络加速器很难在处理点云数据上达到较高的性能。针对以上问题,本文通过分析点云数据以及点云卷积神经网络的架构特点,实现了一个基于3D点云数据的神经网络加速器。感受野是卷积神经网络研究中的一个重要概念,其为决定某一层的输出结果的一个元素对应原始模型输入数据的需要的区域的大小。当卷积神经网络模型的输出或模型的部分子网络的每个输出元素对应的输入的感受野确定时,可以只向内存访问对应的感受野的数据,直接计算得到该模型或子网络的输出。减少模型内或对应子网络内部的各层数据的访存。近年来,卷积神经网络硬件加速器设计成为超大规模数字芯片设计的热点之一。在这些设计中,内存访问及其带宽是一个关键方面。顶尖的硬件加速器如TPU,昇滕AI加速器等采用了多级,高容量,复杂的片上缓存系统,来减少内存访问以及系统带宽。而本文通过利用点云卷积神经网络的感受野性质,优化数据通路,减少内存访问,同时降低片上存储的容量。本文设计了一个基于感受野的多层层内并行加速架构,通过对点云的部分点进行连续处理多层的计算。由于每层处理的点数较少,将中间结果全部缓存在片上的存储模块,直接进行下一层的计算。解决了数据带宽的问题,同时大大减少了片上缓存的容量,提高了单位片上缓存的效率,同时加速器集成了512个乘法器用以卷积计算,可以同时处理512个乘法运算,大大提高了硬件加速器的计算性能。本文设计的点云卷积神经硬件加速器在Zynq7z045平台上对Point Net模型进行加速验证测试。最终,本文设计的加速器的计算性能为21.14GOPS,功耗为3.49W,片上缓存容量为295.68KB,使用了513个DSP。与CPU和GPU相比,计算性能分别为GPU和CPU的3倍和5倍,同时,计算性能能效比是CPU和GPU的33倍。与近年来其他加速器相比,本文的单位DSP计算性能和单位频率性能都较高,其中单位缓存性能表现最高达0.072GOPS/KB。