Fugu-MT 論文翻訳(概要): SEO: Safety-Aware Energy Optimization Framework for Multi-Sensor Neural Controllers at the Edge

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

Safe Bayesian Optimization for Complex Control Systems via Additive Gaussian Processes [2.1757909866792313]
複数のコントローラを同時に安全に最適化するSafeCtrlBOを提案する。我々は安全なベイズ最適化における探索プロセスを簡素化し、拡張能力を犠牲にすることなく計算労力を削減する。
論文参考訳（メタデータ） (2024-08-29T07:12:37Z)
Enhanced Safety in Autonomous Driving: Integrating Latent State Diffusion Model for End-to-End Navigation [5.928213664340974]
本研究は自動運転の制御最適化問題における安全性問題に対処する。本稿では,条件付きバリュー・アット・リスクに基づくソフトアクター批判を利用して,ポリシー最適化のための新しいモデルベースアプローチを提案する。本手法では, 安全探索を誘導する最悪のアクターを導入し, 予測不可能なシナリオにおいても, 安全要件の厳密な遵守を確保する。
論文参考訳（メタデータ） (2024-07-08T18:32:40Z)
Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文参考訳（メタデータ） (2023-11-28T03:13:09Z)
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)
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 [60.26921219698514]
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。次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。これらの条件を利用して、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する。
論文参考訳（メタデータ） (2022-08-23T05:02:09Z)
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)

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。