論文の概要: Energy-Efficient Autonomous Driving with Adaptive Perception and Robust Decision

• arxiv url: http://arxiv.org/abs/2510.25205v1
• Date: Wed, 29 Oct 2025 06:18:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.181005
• Title: Energy-Efficient Autonomous Driving with Adaptive Perception and Robust Decision
• Title（参考訳）: 適応認識とロバスト決定によるエネルギー効率の高い自律運転
• Authors: Yuyang Xia, Zibo Liang, Liwei Deng, Yan Zhao, Han Su, Kai Zheng,
• Abstract要約: 我々はEneADと呼ばれるエネルギー効率の高い自動運転フレームワークを提案する。 適応型知覚モジュールでは、データ管理とチューニングの観点から知覚最適化戦略を設計する。 EneADは知覚の消費を1.9倍から3.5倍に減らし、運転距離を3.9%から8.5%改善できることを示した。
• 参考スコア（独自算出の注目度）: 8.423972998303759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving is an emerging technology that is expected to bring significant social, economic, and environmental benefits. However, these benefits come with rising energy consumption by computation engines, limiting the driving range of vehicles, especially electric ones. Perception computing is typically the most power-intensive component, as it relies on largescale deep learning models to extract environmental features. Recently, numerous studies have employed model compression techniques, such as sparsification, quantization, and distillation, to reduce computational consumption. However, these methods often result in either a substantial model size or a significant drop in perception accuracy compared to high-computation models. To address these challenges, we propose an energy-efficient autonomous driving framework, called EneAD. In the adaptive perception module, a perception optimization strategy is designed from the perspective of data management and tuning. Firstly, we manage multiple perception models with different computational consumption and adjust the execution framerate dynamically. Then, we define them as knobs and design a transferable tuning method based on Bayesian optimization to identify promising knob values that achieve low computation while maintaining desired accuracy. To adaptively switch the knob values in various traffic scenarios, a lightweight classification model is proposed to distinguish the perception difficulty in different scenarios. In the robust decision module, we propose a decision model based on reinforcement learning and design a regularization term to enhance driving stability in the face of perturbed perception results. Extensive experiments evidence the superiority of our framework in both energy consumption and driving performance. EneAD can reduce perception consumption by 1.9x to 3.5x and thus improve driving range by 3.9% to 8.5%
• Abstract（参考訳）: 自動運転は、社会、経済、環境に大きな恩恵をもたらすと期待されている新興技術である。 しかし、これらの利点は、計算エンジンによるエネルギー消費の増加、特に電気自動車の走行距離の制限によってもたらされる。 知覚コンピューティングは、環境特徴を抽出するために大規模なディープラーニングモデルに依存するため、一般的に最も電力集約的なコンポーネントである。 近年, 分散化, 量子化, 蒸留などのモデル圧縮技術を用いて, 計算消費量の削減を図っている。 しかし、これらの手法は、高計算モデルと比較して、相当なモデルサイズや認識精度の低下をもたらすことが多い。 これらの課題に対処するために、EneADと呼ばれるエネルギー効率の高い自動運転フレームワークを提案する。 適応型知覚モジュールでは、データ管理とチューニングの観点から知覚最適化戦略を設計する。 まず、計算量が異なる複数の知覚モデルを管理し、実行フレームレートを動的に調整する。 そこで我々は,これらをノブとして定義し,ベイズ最適化に基づく伝達可能なチューニング手法を設計し,所望の精度を維持しつつ,低い計算を達成できる有望なノブ値を特定する。 様々な交通シナリオにおけるノブ値を適応的に切り替えるために,異なるシナリオにおける認識困難を識別する軽量な分類モデルを提案する。 頑健な意思決定モジュールでは、強化学習に基づく決定モデルを提案し、摂動知覚結果に直面した運転安定性を高めるために正規化項を設計する。 大規模な実験は、エネルギー消費と駆動性能の両方において、我々の枠組みの優位性を証明している。 EneADは知覚の消費を1.9倍から3.5倍に減らし、運転距離を3.9%から8.5%改善できる。

関連論文リスト

• Akkumula: Evidence accumulation driver models with Spiking Neural Networks [1.6988773509268102]
  本稿では,ディープラーニング技術を用いたエビデンス蓄積モデリングフレームワークであるAkkumulaを紹介する。 ライブラリのコアはスパイキングニューラルネットワークに基づいており、その動作は生物学的脳内のエビデンス蓄積プロセスを模倣している。 このモデルは、車両センサデータに基づく車両制御の時間経過によく適合する。
  論文  参考訳（メタデータ） (2025-04-30T10:03:11Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Quantized Distillation: Optimizing Driver Activity Recognition Models for Resource-Constrained Environments [34.80538284957094]
  本稿では,資源効率の高いドライバアクティビティ認識のための軽量フレームワークを提案する。 このフレームワークは、ビデオ分類のスピードに最適化されたニューラルネットワークである3D MobileNetを強化する。 モデルサイズを3倍に削減し、推論時間を1.4倍改善する。
  論文  参考訳（メタデータ） (2023-11-10T10:07:07Z)
• Scaling Laws for Sparsely-Connected Foundation Models [70.41266138010657]
  大規模データセット上でトレーニングしたトランスフォーマーのスケーリング挙動に及ぼすパラメータ空間の影響について検討する。 重み空間,非ゼロパラメータ数,およびトレーニングデータの量との関係を記述した最初のスケーリング法則を同定する。
  論文  参考訳（メタデータ） (2023-09-15T16:29:27Z)
• CUEING: a lightweight model to Capture hUman attEntion In driviNG [6.310770791023399]
  本稿では,既存の視線データセットからノイズを除去する適応的浄化手法と,頑健で軽量な自己注意型視線予測モデルを提案する。 提案手法は, モデル一般化可能性と性能を最大12.13%向上させるだけでなく, 最先端技術と比較して, モデル複雑性を最大98.2%低減させる。
  論文  参考訳（メタデータ） (2023-05-25T04:44:50Z)
• Penalty-Based Imitation Learning With Cross Semantics Generation Sensor Fusion for Autonomous Driving [1.2749527861829049]
  本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。 最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。 本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
  論文  参考訳（メタデータ） (2023-03-21T14:29:52Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• Powerpropagation: A sparsity inducing weight reparameterisation [65.85142037667065]
  我々は、本質的にスパースモデルにつながるニューラルネットワークの新しい重みパラメータ化であるPowerpropagationを紹介した。 この方法で訓練されたモデルは同様の性能を示すが、0で明らかに高い密度の分布を持ち、より多くのパラメータを安全に刈り取ることができる。 ここでは、Powerpropagationと従来のウェイトプルーニング技術と、最近の最先端スパース・トゥ・スパースアルゴリズムを組み合わせることで、ImageNetベンチマークで優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:03:57Z)
• Safe Model-based Off-policy Reinforcement Learning for Eco-Driving in Connected and Automated Hybrid Electric Vehicles [3.5259944260228977]
  本研究は,エコドライブ問題に対するセーフオフポジーモデルに基づく強化学習アルゴリズムを提案する。 提案アルゴリズムは, モデルフリーエージェントと比較して, 平均速度が高く, 燃費も良好である。
  論文  参考訳（メタデータ） (2021-05-25T03:41:29Z)

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。