論文の概要: Characterization of Neural Networks Automatically Mapped on
Automotive-grade Microcontrollers
- arxiv url: http://arxiv.org/abs/2103.00201v1
- Date: Sat, 27 Feb 2021 12:16:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 18:37:42.675866
- Title: Characterization of Neural Networks Automatically Mapped on
Automotive-grade Microcontrollers
- Title（参考訳）: 自動車用マイクロコントローラに自動マッピングされたニューラルネットワークの特性評価
- Authors: Giulia Crocioni, Giambattista Gruosso, Danilo Pau, Davide Denaro,
Luigi Zambrano, Giuseppe di Giore
- Abstract要約: 自動車用マイクロコントローラのファミリ上でニューラルネットワークモデルを実装するためのフレームワークを提案する。
本論文では,コントローラエリアネットワークバスの侵入検知とリチウムイオン電池の残存容量推定の2つのケーススタディにおいて,その効率について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Nowadays, Neural Networks represent a major expectation for the realization
of powerful Deep Learning algorithms, which can determine several physical
systems' behaviors and operations. Computational resources required for model,
training, and running are large, especially when related to the amount of data
that Neural Networks typically need to generalize. The latest TinyML
technologies allow integrating pre-trained models on embedded systems, allowing
making computing at the edge faster, cheaper, and safer. Although these
technologies originated in the consumer and industrial worlds, many sectors can
greatly benefit from them, such as the automotive industry. In this paper, we
present a framework for implementing Neural Network-based models on a family of
automotive Microcontrollers, showing their efficiency in two case studies
applied to vehicles: intrusion detection on the Controller Area Network bus and
residual capacity estimation in Lithium-Ion batteries, widely used in Electric
Vehicles.
- Abstract（参考訳）: 今日では、ニューラルネットワークは、いくつかの物理システムの振る舞いや操作を決定できる強力なディープラーニングアルゴリズムの実現に対する大きな期待を表している。
特にニューラルネットワークが一般的に一般化するために必要なデータ量に関連する場合、モデル、トレーニング、および実行に必要な計算リソースは大きい。
最新のtinyml技術により、組み込みシステムに事前訓練されたモデルを統合でき、エッジでのコンピューティングをより速く、より安く、より安全にすることができる。
これらの技術は、消費者や産業の世界から生まれたものだが、自動車産業など多くの分野から大きな恩恵を受けることができる。
本稿では,自動車用マイクロコントローラ群にニューラルネットワークモデルを実装するための枠組みを提案し,その効率を,制御エリアネットワークバスの侵入検出と,電気自動車で広く使用されるリチウムイオン電池の残留容量推定という2つのケーススタディに応用した。
関連論文リスト
- Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - LiPar: A Lightweight Parallel Learning Model for Practical In-Vehicle
Network Intrusion Detection [8.342351434603344]
電子制御ユニット(ECU)にタスク負荷を割り当てる軽量並列ニューラルネットワーク構造LiParを提案する。
実験により、LiParは優れた検出性能、実行効率、軽量モデルサイズを有し、車内環境に実用的に適合し、車内CANバスのセキュリティを保護できることを示した。
論文 参考訳（メタデータ） (2023-11-14T08:54:00Z) - Quantization-aware Neural Architectural Search for Intrusion Detection [5.010685611319813]
本稿では、最先端NNの1000倍の規模を持つ量子化ニューラルネットワーク(NN)モデルを自動的に訓練し、進化させる設計手法を提案する。
FPGAにデプロイする際にこのネットワークが利用するLUTの数は2.3倍から8.5倍と小さく、性能は以前の作業に匹敵する。
論文 参考訳（メタデータ） (2023-11-07T18:35:29Z) - Autonomous Driving using Spiking Neural Networks on Dynamic Vision
Sensor Data: A Case Study of Traffic Light Change Detection [0.0]
スパイキングニューラルネットワーク(SNN)は、情報処理と意思決定のための代替モデルを提供する。
自動運転にSNNを用いた最近の研究は主に、簡易なシミュレーション環境における車線維持のような単純なタスクに焦点を当てている。
本研究は,実車上でSNNを使用するための重要なステップであるCARLAシミュレータにおける実写走行シーンについて,SNNについて検討する。
論文 参考訳（メタデータ） (2023-09-27T23:31:30Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Physics Embedded Neural Network Vehicle Model and Applications in
Risk-Aware Autonomous Driving Using Latent Features [6.33280703577189]
非ホロノミック車両運動は物理学に基づくモデルを用いて広く研究されている。
本稿では,ディープラーニングと完全に微分可能な物理モデルとをシームレスに組み合わせ,ニューラルネットワークに事前知識を付与する。
論文 参考訳（メタデータ） (2022-07-16T12:06:55Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Efficient Low-Latency Dynamic Licensing for Deep Neural Network
Deployment on Edge Devices [0.0]
エッジデバイス上でのディープニューラルネットワークの展開と処理を解決するアーキテクチャを提案する。
このアーキテクチャを採用することで、デバイスの低レイテンシモデル更新が可能になる。
論文 参考訳（メタデータ） (2021-02-24T09:36:39Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
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。