論文の概要: Robustifying the Deployment of tinyML Models for Autonomous
mini-vehicles
- arxiv url: http://arxiv.org/abs/2007.00302v2
- Date: Sat, 13 Feb 2021 20:38:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 23:12:32.148874
- Title: Robustifying the Deployment of tinyML Models for Autonomous
mini-vehicles
- Title(参考訳): 自律型ミニ車両のためのtinymlモデルのロバスト化
- Authors: Miguel de Prado, Manuele Rusci, Romain Donze, Alessandro Capotondi,
Serge Monnerat, Luca Benini and, Nuria Pazos
- Abstract要約: 本稿では,ループ内環境を含む自動運転ミニ車両を対象とした閉ループ学習フローを提案する。
我々は、小型CNNのファミリーを利用してミニ車両を制御し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習する。
CNNのファミリを実行する場合、我々のソリューションはSTM32L4とk64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減する。
- 参考スコア(独自算出の注目度): 61.27933385742613
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Standard-size autonomous navigation vehicles have rapidly improved thanks to
the breakthroughs of deep learning. However, scaling autonomous driving to
low-power systems deployed on dynamic environments poses several challenges
that prevent their adoption. To address them, we propose a closed-loop learning
flow for autonomous driving mini-vehicles that includes the target environment
in-the-loop. We leverage a family of compact and high-throughput tinyCNNs to
control the mini-vehicle, which learn in the target environment by imitating a
computer vision algorithm, i.e., the expert. Thus, the tinyCNNs, having only
access to an on-board fast-rate linear camera, gain robustness to lighting
conditions and improve over time. Further, we leverage GAP8, a parallel
ultra-low-power RISC-V SoC, to meet the inference requirements. When running
the family of CNNs, our GAP8's solution outperforms any other implementation on
the STM32L4 and NXP k64f (Cortex-M4), reducing the latency by over 13x and the
energy consummation by 92%.
- Abstract(参考訳): ディープラーニングの進歩により、標準サイズの自律ナビゲーション車両は急速に改善されている。
しかしながら、動的環境にデプロイされた低消費電力システムへの自律運転のスケーリングは、採用を妨げるいくつかの課題を引き起こす。
そこで本研究では,対象環境を含む自動運転ミニ車両のためのクローズドループ学習フローを提案する。
我々は、小型で高スループットの小型CNNのファミリーを活用し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習するミニ車両を制御する。
そのため、小型CNNはオンボードの高速レートのリニアカメラにしかアクセスできないため、照明条件の堅牢性を高め、時間とともに改善する。
さらに、並列超低消費電力RISC-V SoCであるGAP8を用いて、推論要求を満たす。
STM32L4とNXP k64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減しています。
関連論文リスト
- FastRLAP: A System for Learning High-Speed Driving via Deep RL and
Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。
我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。
結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文 参考訳(メタデータ) (2023-04-19T17:33:47Z) - Penalty-Based Imitation Learning With Cross Semantics Generation Sensor
Fusion for Autonomous Driving [1.2749527861829049]
本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。
最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。
本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
論文 参考訳(メタデータ) (2023-03-21T14:29:52Z) - Learned Risk Metric Maps for Kinodynamic Systems [54.49871675894546]
本研究では,高次元力学系のコヒーレントリスクメトリクスをリアルタイムに推定するための学習型リスクメトリクスマップを提案する。
LRMMモデルは設計と訓練が簡単で、障害セットの手続き的生成、状態と制御のサンプリング、および関数近似器の教師付きトレーニングのみを必要とする。
論文 参考訳(メタデータ) (2023-02-28T17:51:43Z) - Turbulence control in plane Couette flow using low-dimensional neural
ODE-based models and deep reinforcement learning [0.0]
DManD-RL (data-driven manifold dynamics-RL) は,データ駆動型低次元モデルを生成する。
我々はRL制御エージェントを訓練し、数値シミュレーションで440倍のスピードアップを達成した。
エージェントは900時間以内の未確認DNSテストトラジェクトリの84%をラミナライズするポリシーを学習する。
論文 参考訳(メタデータ) (2023-01-28T05:47:10Z) - LaneSNNs: Spiking Neural Networks for Lane Detection on the Loihi
Neuromorphic Processor [12.47874622269824]
我々は、イベントベースのカメラ入力を用いて、道路にマークされた車線を検出するための新しいSNNベースのアプローチであるLaneSNNを提案する。
我々は、学習したSNNモデルをIntel Loihi Neuromorphic Research Chipに実装し、マッピングする。
損失関数に対して,重み付き二元交叉エントロピー(WCE)と平均二乗誤差(MSE)の線形合成に基づく新しい手法を開発した。
論文 参考訳(メタデータ) (2022-08-03T14:51:15Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Energy-efficient and Privacy-aware Social Distance Monitoring with
Low-resolution Infrared Sensors and Adaptive Inference [4.158182639870093]
低分解能赤外線センサを利用して、屋内空間におけるプライバシー保護社会距離監視ソリューションを実装できる。
簡単な起動トリガと8ビット量子化畳み込みニューラルネットワーク(CNN)のカスケードで構成されるエネルギー効率の良い適応型推論ソリューションを提案する。
8x8の低分解能赤外線センサの出力を処理すると、静的CNNベースのアプローチでエネルギー消費量を37~57%削減できることを示す。
論文 参考訳(メタデータ) (2022-04-22T07:07:38Z) - Learning from Simulation, Racing in Reality [126.56346065780895]
ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。
シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
論文 参考訳(メタデータ) (2020-11-26T14:58:49Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳(メタデータ) (2020-10-23T18:07:48Z) - Vision-Based Autonomous Drone Control using Supervised Learning in
Simulation [0.0]
室内環境におけるMAVの自律的ナビゲーションと着陸にSupervised Learningを用いた視覚に基づく制御手法を提案する。
我々は、低解像度画像とセンサー入力を高レベル制御コマンドにマッピングする畳み込みニューラルネットワーク(CNN)を訓練した。
我々のアプローチは、類似の強化学習アプローチよりも短いトレーニング時間を必要としており、匹敵するSupervised Learningアプローチが直面する手動データ収集の限界を克服する可能性がある。
論文 参考訳(メタデータ) (2020-09-09T13:45:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。