論文の概要: Tackling Variabilities in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2104.10415v1
• Date: Wed, 21 Apr 2021 08:51:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:14:31.827439
• Title: Tackling Variabilities in Autonomous Driving
• Title（参考訳）: 自律運転におけるタックリングの多様性
• Authors: Yuqiong Qi and Yang Hu and Haibin Wu and Shen Li and Haiyu Mao and Xiaochun Ye and Dongrui Fan and Ninghui Sun
• Abstract要約: 可変性のある自動運転タスクのためのハードウェア基板を提供するために、新しい異種マルチコアAIアクセラレータ(HMAI)を提案します。 また,タスクマッピング問題を解決するために,深層強化学習(RL)に基づくタスクスケジューリング機構FlexAIを提案する。
• 参考スコア（独自算出の注目度）: 15.374442918002813
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The state-of-the-art driving automation system demands extreme computational resources to meet rigorous accuracy and latency requirements. Though emerging driving automation computing platforms are based on ASIC to provide better performance and power guarantee, building such an accelerator-based computing platform for driving automation still present challenges. First, the workloads mix and performance requirements exposed to driving automation system present significant variability. Second, with more cameras/sensors integrated in a future fully autonomous driving vehicle, a heterogeneous multi-accelerator architecture substrate is needed that requires a design space exploration for a new form of parallelism. In this work, we aim to extensively explore the above system design challenges and these challenges motivate us to propose a comprehensive framework that synergistically handles the heterogeneous hardware accelerator design principles, system design criteria, and task scheduling mechanism. Specifically, we propose a novel heterogeneous multi-core AI accelerator (HMAI) to provide the hardware substrate for the driving automation tasks with variability. We also define system design criteria to better utilize hardware resources and achieve increased throughput while satisfying the performance and energy restrictions. Finally, we propose a deep reinforcement learning (RL)-based task scheduling mechanism FlexAI, to resolve task mapping issue. Experimental results show that with FlexAI scheduling, basically 100% tasks in each driving route can be processed by HMAI within their required period to ensure safety, and FlexAI can also maximally reduce the breaking distance up to 96% as compared to typical heuristics and guided random-search-based algorithms.
• Abstract（参考訳）: 最先端運転自動化システムは、厳密な精度とレイテンシ要件を満たすために、極端な計算リソースを必要とする。 新たな運転自動化コンピューティングプラットフォームは、パフォーマンスと電力保証を改善するためにasicをベースとしているが、運転自動化のためのアクセラレータベースのコンピューティングプラットフォームを構築することは依然として課題である。 まず、ワークロードが混在し、自動化システムに公開されるパフォーマンス要件が大幅に変動する。 第2に、将来の完全自律走行車に統合されるカメラやセンサーの数が増えれば、新しい形態の並列性のために設計スペースの探索を必要とする異種マルチアクセラレータアーキテクチャ基板が必要になる。 本研究は,上記システム設計の課題を幅広く探求することを目的としており,これらの課題は,異種ハードウェアアクセラレータ設計原則,システム設計基準,タスクスケジューリング機構を相乗的に扱う包括的なフレームワークの提案を動機付けている。 具体的には,可変性のある運転自動化タスクのためのハードウェア基板を提供するための,新しいヘテロジニアスマルチコアaiアクセラレータ(hmai)を提案する。 また,システム設計基準を定義し,性能とエネルギーの制約を満たすとともに,ハードウェア資源の有効利用とスループットの向上を実現する。 最後に,タスクマッピング問題を解決するために,深層強化学習(RL)に基づくタスクスケジューリング機構FlexAIを提案する。 実験結果から,各走行経路における100%のタスクを必要期間内にHMAIで処理して安全性を確保することができ,また,FlexAIは通常のヒューリスティックやランダム検索に基づくアルゴリズムと比較して,最大96%の切断距離を最大化することができることがわかった。

関連論文リスト

• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• Energy-frugal and Interpretable AI Hardware Design using Learning Automata [5.514795777097036]
  Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。 本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。 本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-19T15:11:18Z)
• Planning-oriented Autonomous Driving [60.93767791255728]
  我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。 フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
  論文  参考訳（メタデータ） (2022-12-20T10:47:53Z)
• Romanus: Robust Task Offloading in Modular Multi-Sensor Autonomous Driving Systems [9.21629452868642]
  本稿では,マルチセンサ処理パイプラインを用いたモジュール型自律走行プラットフォームのための,堅牢で効率的なタスクオフロード手法を提案する。 我々のアプローチは、純粋な局所的な実行よりも14.99%エネルギー効率が高く、頑健な非依存のオフロードベースラインから77.06%のリスク行動の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-18T18:22:49Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• AI-as-a-Service Toolkit for Human-Centered Intelligence in Autonomous Driving [13.575818872875637]
  本稿では,H2020 TEACHINGプロジェクトで開発されたAI-as-a-serviceツールキットの概念実証実装を提案する。 自動運転者のストレス認識アルゴリズムの出力に応じて自律運転パーソナライズシステムを実装する。
  論文  参考訳（メタデータ） (2022-02-03T15:41:43Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• Software/Hardware Co-design for Multi-modal Multi-task Learning in Autonomous Systems [7.3473356077331475]
  自律システムは本質的にマルチモーダルマルチタスク(MMMT)学習を必要とする。 まず,自律システムにMMMT技術を適用する機会について論じ,解決すべき課題について論じる。 MMMTモデルと異種ハードウェア実装を微分可能最適化問題として共設計する。
  論文  参考訳（メタデータ） (2021-04-08T18:29:30Z)
• Machine Learning-Based Automated Design Space Exploration for Autonomous Aerial Robots [55.056709056795206]
  自律飛行ロボットのためのドメイン固有のアーキテクチャの構築は、オンボードコンピューティングを設計するための体系的な方法論が欠如しているため、難しい。 F-1ルーフラインと呼ばれる新しいパフォーマンスモデルを導入し、アーキテクトがバランスの取れたコンピューティングシステムを構築する方法を理解するのを助ける。 サイバー物理設計空間を自動でナビゲートするために、AutoPilotを導入します。
  論文  参考訳（メタデータ） (2021-02-05T03:50:54Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

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。