論文の概要: EnergyShield: Provably-Safe Offloading of Neural Network Controllers for
Energy Efficiency
- arxiv url: http://arxiv.org/abs/2302.06572v1
- Date: Mon, 13 Feb 2023 18:14:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 14:25:38.998368
- Title: EnergyShield: Provably-Safe Offloading of Neural Network Controllers for
Energy Efficiency
- Title(参考訳): EnergyShield: エネルギー効率のためのニューラルネットワークコントローラの安全なオフロード
- Authors: Mohanad Odema, James Ferlez, Goli Vaisi, Yasser Shoukry, Mohammad
Abdullah Al Faruque
- Abstract要約: 本稿では,低消費電力ランタイムセーフティモニタとして「シールド」を再利用したEnergyShieldフレームワークを提案する。
EnergyShieldを使えば、無線でNN計算をエッジコンピュータにオフロードすることでエネルギーを節約できる。
以上の結果から,エナジーシールドは車両の安全運転を維持しつつ,省エネを図っていることがわかった。
- 参考スコア(独自算出の注目度): 8.514434695020306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To mitigate the high energy demand of Neural Network (NN) based Autonomous
Driving Systems (ADSs), we consider the problem of offloading NN controllers
from the ADS to nearby edge-computing infrastructure, but in such a way that
formal vehicle safety properties are guaranteed. In particular, we propose the
EnergyShield framework, which repurposes a controller ''shield'' as a low-power
runtime safety monitor for the ADS vehicle. Specifically, the shield in
EnergyShield provides not only safety interventions but also a formal,
state-based quantification of the tolerable edge response time before vehicle
safety is compromised. Using EnergyShield, an ADS can then save energy by
wirelessly offloading NN computations to edge computers, while still
maintaining a formal guarantee of safety until it receives a response
(on-vehicle hardware provides a just-in-time fail safe). To validate the
benefits of EnergyShield, we implemented and tested it in the Carla simulation
environment. Our results show that EnergyShield maintains safe vehicle
operation while providing significant energy savings compared to on-vehicle NN
evaluation: from 24% to 54% less energy across a range of wireless conditions
and edge delays.
- Abstract(参考訳): ニューラルネットワーク(NN)をベースとした自律運転システム(ADS)の高エネルギー需要を軽減するため,ADSから近くのエッジコンピューティングインフラへNNコントローラをオフロードする問題を考察する。
特に,ads車両の低消費電力実行時安全モニタとして,コントローラ 'shield' を再利用した energyshield フレームワークを提案する。
特に、エネルギシールドのシールドは、安全性の介入だけでなく、車両の安全性が損なわれる前に許容されるエッジ応答時間の公式な状態に基づく定量化も提供する。
energyshieldを使うと、広告は無線でnnの計算をエッジコンピュータにオフロードして省エネできるが、応答を受け取るまで安全の正式な保証を維持できる(車載ハードウェアはジャストインタイムのフェイルセーフを提供する)。
本研究では,EnergyShieldの利点を検証するため,Carlaシミュレーション環境で実装および試験を行った。
その結果,EnergyShieldは車載NNの24%から54%の省エネ化を実現しつつ,安全運転を維持していることがわかった。
関連論文リスト
- Provably Safe Neural Network Controllers via Differential Dynamic Logic [0.0]
本稿では、微分動的論理(dL)とNN検証を組み合わせた最初のアプローチについて紹介する。
Mosaic: ピースワイド線形NNにおける実算術特性に対する最初の音響および完全検証手法を提案する。
適応型巡航制御や空中衝突回避を含むケーススタディの評価は、VerSAILLEとMosaicの汎用性を実証している。
論文 参考訳(メタデータ) (2024-02-16T16:15:25Z) - Enumerating Safe Regions in Deep Neural Networks with Provable
Probabilistic Guarantees [86.1362094580439]
安全プロパティとDNNが与えられた場合、安全であるプロパティ入力領域のすべての領域の集合を列挙する。
この問題の #P-hardness のため,epsilon-ProVe と呼ばれる効率的な近似法を提案する。
提案手法は, 許容限界の統計的予測により得られた出力可到達集合の制御可能な過小評価を利用する。
論文 参考訳(メタデータ) (2023-08-18T22:30:35Z) - Defensive Perception: Estimation and Monitoring of Neural Network
Performance under Deployment [0.6982738885923204]
本稿では,自律運転におけるセマンティックセグメンテーションのためのニューラルネットワークにおける未知の破滅的展開とドメインシフトの問題に対処する手法を提案する。
我々のアプローチは、自律運転に対するディープラーニングに基づく認識が不確実であり、確率分布として最もよく表されるという考えに基づいている。
論文 参考訳(メタデータ) (2023-08-11T07:45:36Z) - Safety Shielding under Delayed Observation [59.86192283565134]
シールドは安全な実行を保証するコンストラクション・バイ・コンストラクション・インストラクタである。
シールドは、将来の干渉が最小化される可能性が最も高い方法で、安全な修正行動を選択するべきである。
現実的な運転シミュレータにおけるシールドの最初の統合について述べる。
論文 参考訳(メタデータ) (2023-07-05T10:06:10Z) - Approximate Shielding of Atari Agents for Safe Exploration [83.55437924143615]
遮蔽の概念に基づく安全な探索のための原理的アルゴリズムを提案する。
本稿では,我々の近似遮蔽アルゴリズムが安全違反率を効果的に低減することを示す予備的な結果を示す。
論文 参考訳(メタデータ) (2023-04-21T16:19:54Z) - SEO: Safety-Aware Energy Optimization Framework for Multi-Sensor Neural
Controllers at the Edge [9.301408231491719]
本稿では,自律システムの安全性を意識した新しいエネルギー最適化フレームワークを提案する。
テストケースシナリオにおける認識されるリスクを形式的に認識することで、所望の安全特性を維持しつつ、エネルギー効率の向上(89.9%)が達成できることが示される。
論文 参考訳(メタデータ) (2023-02-24T07:21:41Z) - Network Intrusion Detection System in a Light Bulb [0.0]
IoT(Internet of Things)デバイスは、さまざまなエッジアプリケーションで、ホームおよび業界のインフラストラクチャを監視し、制御するために、徐々に利用されています。
提案されているネットワーク侵入検知システム(NIDS)は多数存在するが、実際のIoT実装については限定的な研究がなされている。
本研究の目的は、低消費電力機械学習(ML)ベースのNIDSのバウンダリをプッシュすることで、このギャップを解決することである。
論文 参考訳(メタデータ) (2022-10-06T23:36:04Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳(メタデータ) (2022-09-29T01:30:34Z) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳(メタデータ) (2022-03-04T16:14:33Z) - EREBA: Black-box Energy Testing of Adaptive Neural Networks [7.886521856086982]
本稿では,Adaptive Neural Networks(AdNN)のエネルギーロバスト性について検討する。
本稿では,AdNNのエネルギーロバスト性を決定するための最初のブラックボックステスト手法であるEREBAを提案する。
EREBAは、入力とAdNNのエネルギー消費の関係を調べ、推し進めるサンプルを生成する。
論文 参考訳(メタデータ) (2022-02-12T15:16:04Z) - BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。
本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
論文 参考訳(メタデータ) (2021-11-22T15:38:11Z)
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。