論文の概要: SEO: Safety-Aware Energy Optimization Framework for Multi-Sensor Neural
Controllers at the Edge
- arxiv url: http://arxiv.org/abs/2302.12493v1
- Date: Fri, 24 Feb 2023 07:21:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 14:25:15.243496
- Title: SEO: Safety-Aware Energy Optimization Framework for Multi-Sensor Neural
Controllers at the Edge
- Title(参考訳): SEO:エッジにおけるマルチセンサニューラルコントローラの安全性を考慮したエネルギー最適化フレームワーク
- Authors: Mohanad Odema, James Ferlez, Yasser Shoukry, Mohammad Abdullah Al
Faruque
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.301408231491719
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Runtime energy management has become quintessential for multi-sensor
autonomous systems at the edge for achieving high performance given the
platform constraints. Typical for such systems, however, is to have their
controllers designed with formal guarantees on safety that precede in priority
such optimizations, which in turn limits their application in real settings. In
this paper, we propose a novel energy optimization framework that is aware of
the autonomous system's safety state, and leverages it to regulate the
application of energy optimization methods so that the system's formal safety
properties are preserved. In particular, through the formal characterization of
a system's safety state as a dynamic processing deadline, the computing
workloads of the underlying models can be adapted accordingly. For our
experiments, we model two popular runtime energy optimization methods,
offloading and gating, and simulate an autonomous driving system (ADS) use-case
in the CARLA simulation environment with performance characterizations obtained
from the standard Nvidia Drive PX2 ADS platform. Our results demonstrate that
through a formal awareness of the perceived risks in the test case scenario,
energy efficiency gains are still achieved (reaching 89.9%) while maintaining
the desired safety properties.
- Abstract(参考訳): プラットフォーム制約を考慮すれば,実行時のエネルギ管理は,高パフォーマンスを実現するためのエッジにおけるマルチセンサ自律システムにとって極めて重要になっている。
しかしながら、そのようなシステムでは、それらのコントローラは、そのような最適化が優先される前に、安全に関する公式な保証を伴って設計される。
本稿では,自律システムの安全状態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。
特に、システムの安全性状態を動的処理の期限として形式的に特徴づけることで、基礎となるモデルの計算処理を適応させることができる。
そこで本研究では,標準のnvidia drive px2adsプラットフォームから得られた性能特性を用いて,carlaシミュレーション環境における2つの実行時エネルギー最適化手法,オフロードとゲーティングをモデル化し,自律運転システム(ads)のユースケースをシミュレートした。
その結果, テストケースシナリオにおいて認識されるリスクを形式的に認識することで, 所望の安全性を維持しつつも, エネルギー効率の向上(89.9%まで)が達成できることがわかった。
関連論文リスト
- Efficient Real-time Path Planning with Self-evolving Particle Swarm
Optimization in Dynamic Scenarios [6.951981832970596]
操作形式(TOF)は、粒子の操作をテンソル操作に変換する。
自己進化型粒子群最適化(SEPSO)を開発した。
SEPSOはより優れたパスを生成でき、リアルタイムのパフォーマンスがかなり向上する。
論文 参考訳(メタデータ) (2023-08-20T05:31:48Z) - CARMA: Context-Aware Runtime Reconfiguration for Energy-Efficient Sensor
Fusion [11.313017866190622]
CARMA: 実行時にコンテキストを用いて計算フローを再構成するコンテキスト認識型センサ融合手法を提案する。
CARMAは、性能を損なうことなく、多感性物体検出器によって使用されるエネルギーを著しく削減する。
我々は,複数の文脈識別戦略を評価し,新しいシステム全体のエネルギーパフォーマンス共同最適化を提案し,シナリオ固有の知覚性能を評価する。
論文 参考訳(メタデータ) (2023-06-27T19:00:07Z) - Dynamic Simplex: Balancing Safety and Performance in Autonomous Cyber
Physical Systems [1.3309898919316483]
本稿では,双方向スイッチングが可能なオンラインコントローラスイッチングロジックを用いたシンプルな戦略を提案する。
提案手法は, 現状技術よりも衝突が少なく, 性能も高いことを示す。
論文 参考訳(メタデータ) (2023-02-20T04:00:53Z) - Adaptive Real Time Exploration and Optimization for Safety-Critical
Systems [0.0]
安全制約を考慮したプログラミング問題として,マルチアームバンディットを用いたARTEOアルゴリズムを提案する。
最適化入力の変化と探索を通して環境特性を学習する。
既存のセーフラーニング手法と比較して、我々のアルゴリズムは排他的な探索フェーズを必要とせず、探索点においても最適化目標に従う。
論文 参考訳(メタデータ) (2022-11-10T11:37:22Z) - Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。
コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。
ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文 参考訳(メタデータ) (2022-10-03T08:38:38Z) - Recursively Feasible Probabilistic Safe Online Learning with Control
Barrier Functions [63.18590014127461]
本稿では,CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
本研究では,ロバストな安全クリティカルコントローラの実現可能性について検討する。
次に、これらの条件を使って、イベントトリガーによるオンラインデータ収集戦略を考案します。
論文 参考訳(メタデータ) (2022-08-23T05:02:09Z) - Constrained Policy Optimization via Bayesian World Models [79.0077602277004]
LAMBDAは、マルコフ決定プロセスを通じてモデル化された安全クリティカルタスクにおけるポリシー最適化のためのモデルに基づくアプローチである。
LAMBDA のSafety-Gymベンチマークスイートにおける技術性能について,サンプル効率と制約違反の観点から示す。
論文 参考訳(メタデータ) (2022-01-24T17:02:22Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-13T23:08:49Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳(メタデータ) (2021-06-03T16:45:40Z) - Enforcing Policy Feasibility Constraints through Differentiable
Projection for Energy Optimization [57.88118988775461]
本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。
エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
論文 参考訳(メタデータ) (2021-05-19T01:58:10Z) - PILOT: Efficient Planning by Imitation Learning and Optimisation for
Safe Autonomous Driving [16.151534376618034]
計画品質、安全性、効率の適切なバランスは、自動運転の大きな課題である。
我々は、模倣ニューラルネットワークと効率的なオプティマイザを組み合わせた計画フレームワークであるPILOTを提案する。
PILOTは,計画品質を犠牲にすることなく,それを模倣する専門家と比較して,ランタイムの7倍の削減を実現している。
論文 参考訳(メタデータ) (2020-11-01T14:18:45Z)
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。