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

• Unique ID based Trust Scheme for Improved IoV Wireless Sensor Network Security Against Power Controlled Sybil Attacks [1.906179410714637]
  無線センサネットワーク(WSN)は、車両間通信(V2X)をサポートするために車両ネットワークで広く利用されている。 WSNは、分散した性質とリソース制限のあるモジュールのため、セキュリティ上の課題に直面します。 本稿では,Sybil攻撃を回避するために,ユニークな識別に基づく信頼経路ルーティング方式(UITrust)を提案する。
  論文  参考訳（メタデータ） (2024-10-05T07:20:55Z)
• Autonomous Driving with Spiking Neural Networks [5.191057765703533]
  スパイキング自律運転(SAD)は、自律運転システムで直面するエネルギー問題に対処する最初の統合スパイキングニューラルネットワーク(SNN)である。 SADはエンドツーエンドでトレーニングされており、知覚、予測、計画という3つの主要なモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-05-30T04:57:54Z)
• GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
  我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。 以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
  論文  参考訳（メタデータ） (2024-05-20T14:43:46Z)
• Token-based Vehicular Security System (TVSS): Scalable, Secure, Low-latency Public Key Infrastructure for Connected Vehicles [1.062554955743753]
  本稿では,従来よりも大幅に改善された新しいVPKIシステムであるTVSSについて紹介する。 TVSSは、ネットワークの端にある道路インフラの一部である道路側ユニット(RSU)の迅速な検証を可能にするために、忘れられないトークンのアイデアを活用している。 特に,高速道路を走行中に静止RSUを用いて,提案手法のボトルネック操作を行うことができる。
  論文  参考訳（メタデータ） (2024-02-28T14:35:52Z)
• DynamiQS: Quantum Secure Authentication for Dynamic Charging of Electric Vehicles [61.394095512765304]
  Dynamic Wireless Power Transfer (DWPT)は、電気自動車を運転中に充電できる新しい技術である。 量子コンピューティングの最近の進歩は、古典的な公開鍵暗号を危険にさらしている。 動的ワイヤレス充電のための第1量子後セキュア認証プロトコルであるDynamiQSを提案する。
  論文  参考訳（メタデータ） (2023-12-20T09:40:45Z)
• 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)
• 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)
• 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。