論文の概要: Cloud2Edge Elastic AI Framework for Prototyping and Deployment of AI
Inference Engines in Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2009.11722v1
- Date: Wed, 23 Sep 2020 09:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 16:46:22.472089
- Title: Cloud2Edge Elastic AI Framework for Prototyping and Deployment of AI
Inference Engines in Autonomous Vehicles
- Title（参考訳）: 自動運転車におけるAI推論エンジンのプロトタイピングとデプロイのためのCloud2Edge Elastic AIフレームワーク
- Authors: Sorin Grigorescu, Tiberiu Cocias, Bogdan Trasnea, Andrea Margheri,
Federico Lombardi, Leonardo Aniello
- Abstract要約: 本稿では、ディープラーニングモジュールに基づく自律運転アプリケーションのためのAI推論エンジンを開発するための新しいフレームワークを提案する。
我々は,ソフトウェア・イン・ザ・ループ(SiL)パラダイムに従って,クラウド上でプロトタイピングを行うAIコンポーネント開発サイクルに対して,シンプルでエレガントなソリューションを導入する。
提案フレームワークの有効性は,自律走行車用AI推論エンジンの2つの実例を用いて実証した。
- 参考スコア（独自算出の注目度）: 1.688204090869186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-driving cars and autonomous vehicles are revolutionizing the automotive
sector, shaping the future of mobility altogether. Although the integration of
novel technologies such as Artificial Intelligence (AI) and Cloud/Edge
computing provides golden opportunities to improve autonomous driving
applications, there is the need to modernize accordingly the whole prototyping
and deployment cycle of AI components. This paper proposes a novel framework
for developing so-called AI Inference Engines for autonomous driving
applications based on deep learning modules, where training tasks are deployed
elastically over both Cloud and Edge resources, with the purpose of reducing
the required network bandwidth, as well as mitigating privacy issues. Based on
our proposed data driven V-Model, we introduce a simple yet elegant solution
for the AI components development cycle, where prototyping takes place in the
cloud according to the Software-in-the-Loop (SiL) paradigm, while deployment
and evaluation on the target ECUs (Electronic Control Units) is performed as
Hardware-in-the-Loop (HiL) testing. The effectiveness of the proposed framework
is demonstrated using two real-world use-cases of AI inference engines for
autonomous vehicles, that is environment perception and most probable path
prediction.
- Abstract（参考訳）: 自動運転車と自動運転車は自動車セクターに革命をもたらし、モビリティの未来を完全に形作っている。
人工知能(AI)やクラウド/エッジコンピューティングといった新しい技術の統合は、自律運転アプリケーションを改善するための黄金の機会を提供するが、AIコンポーネントのプロトタイピングとデプロイメントサイクル全体に合わせて近代化する必要がある。
本稿では、クラウドとエッジの両方のリソースに対して、トレーニングタスクを柔軟に展開し、必要なネットワーク帯域幅を削減し、プライバシの問題を軽減することを目的とした、ディープラーニングモジュールに基づく自動運転アプリケーションのための、いわゆるai推論エンジンを開発するための、新たなフレームワークを提案する。
提案したデータ駆動型V-Modelに基づいて,ソフトウェア・イン・ザ・ループ(SiL)パラダイムに従ってクラウド上でプロトタイピングが行われ,対象のECU(Electronic Control Units)へのデプロイと評価がハードウェア・イン・ザ・ループ(HiL)テストとして実行される,AIコンポーネント開発サイクルの単純かつエレガントなソリューションを導入する。
提案手法の有効性を,環境認識と最も予測可能な経路予測である自律走行車用AI推論エンジンの2つの実例を用いて実証した。
関連論文リスト
- Self-Driving Car Racing: Application of Deep Reinforcement Learning [0.0]
このプロジェクトの目的は、OpenAI Gymnasium CarRacing環境でシミュレーションカーを効率的に駆動するAIエージェントを開発することである。
本稿では,DQN(Deep Q-Network)やPPO(Proximal Policy Optimization)などのRLアルゴリズムや,トランスファーラーニングとリカレントニューラルネットワーク(RNN)を組み込んだ新たな適応手法について検討する。
論文 参考訳（メタデータ） (2024-10-30T07:32:25Z) - Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。
VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
論文 参考訳（メタデータ） (2024-10-02T02:20:42Z) - The AI-Native Software Development Lifecycle: A Theoretical and Practical New Methodology [0.0]
このホワイトペーパーは、完全にAIネイティブなSDLCの出現を提案する。
本稿では,AIを終端から終端まで組み込んだ従来のV-モデルの適応であるV-バウンスモデルを紹介する。
このモデルは、AIが実装エンジンとして機能するバリデータや検証者に至るまで、主要な実装者から人間の役割を再定義する。
論文 参考訳（メタデータ） (2024-08-06T19:30:49Z) - Autonomous Vehicles: Evolution of Artificial Intelligence and Learning
Algorithms [0.0]
この研究は、長年にわたるAI/学習アルゴリズムの使用状況とタイプに関する統計的知見を提示する。
本論文では,トラックおよび自動車の精製アルゴリズムにおけるパラメータの役割について述べる。
結論は、さまざまなレベルの自律性を概説し、AIと学習アルゴリズムの微妙な使用を解明することだ。
論文 参考訳（メタデータ） (2024-02-27T17:07:18Z) - Forging Vision Foundation Models for Autonomous Driving: Challenges,
Methodologies, and Opportunities [59.02391344178202]
ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。
総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。
本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
論文 参考訳（メタデータ） (2024-01-16T01:57:24Z) - LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。
本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文 参考訳（メタデータ） (2023-11-02T07:23:33Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous
Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。
オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。
この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文 参考訳（メタデータ） (2022-05-18T04:15:42Z) - 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)
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。