[論文レビュー] A Fog Computing Framework for Autonomous Driving Assist: Architecture, Experiments, and Challenges

Muthucumaru Maheswaran, Tianzi Yang+1 more|arXiv (Cornell University)|Jul 16, 2019

IoT and Edge/Fog Computing被引用数 8

ひとこと要約

本論文は、フェイズコンピューティングを活用したエッジツインフレームワークを提案し、道路セグメントの分散デジタルツインを維持し、機械学習を用いて車両の軌道を予測し、安全な操作の推奨のための動的ハザードマップを生成することで、リアルタイムの自動運転支援を実現する。このシステムは、予測的なタイムシフトを用いて遅延に起因する陳腐化を低減し、実際の交通トレースを用いたシミュレーションにより、低予測誤差で検証されている。

ABSTRACT

Autonomous driving is expected to provide a range of far-reaching economic, environmental and safety benefits. In this study, we propose a fog computing based framework to assist autonomous driving. Our framework relies on overhead views from cameras and data streams from vehicle sensors to create a network of distributed digital twins, called an edge twin, on fog machines. The edge twin will be continuously updated with the locations of both autonomous and human-piloted vehicles on the road segments. The vehicle locations will be harvested from overhead cameras as well as location feeds from the vehicles themselves. Although the edge twin can make fair road space allocations from a global viewpoint, there is a communication cost (delay) in reaching it from the cameras and vehicular sensors. To address this, we introduce a machine learning forecaster as a part of the edge twin which is responsible for predicting the future location of vehicles. Lastly, we introduce a box algorithm that will use the forecasted values to create a hazard map for the road segment which would be used by the framework to suggest safe manoeuvres for the autonomous vehicles such as lane changes and accelerations. We present the complete fog computing framework for autonomous driving assist and evaluate key portions of the proposed framework using simulations based on a real-world dataset of vehicle position traces on a highway

研究の動機と目的

• フェイズコンピューティングを活用して通信遅延の課題を軽減し、低遅延処理を実現する。
• 上層部カメラと車両センサーからのデータを用いて、道路セグメントの最新の仮想的表現を維持する分散デジタルツインシステム（エッジツイン）を設計する。
• 機械学習を用いた予測により、将来的な車両位置を予測することで、データの陳腐化が運転意思決定に与える影響を低減する。
• 予測的でタイムシフトされた世界ビューを用いて、自動運転車両間での道路空間の公平かつ効率的な割り当てを可能にする。
• 実世界の交通トレースを用いたトレース駆動型シミュレーションを用いて、フレームワークの実現可能性を評価し、軌道予測の正確性を測定する。

提案手法

• フレームワークは、データソースに近いフェイジングノードに配置されたエッジツイン（道路セグメントの分散デジタルツイン）を、フェイズコンピューティングによってホスティングする。
• 車両の位置は上層部カメラと直接の車両フィードから収集され、リアルタイムでの世界状態の更新が可能になる。
• 機械学習ベースの軌道予測器は、通信遅延を補償し、世界状態を将来的な時間点にタイムシフトする。
• システムは道路空間をボックスに分割し、予測された占有状況に基づいてハザードマップを計算することで、自動運転車両のための安全な経路を特定する。
• ボックスアルゴリズムは予測データを用いて、衝突のない自由な道路セグメントを特定し、自動運転車両に割り当てる。
• フレームワークは、実際のNGSIM US-101およびI-80データセットを用いたトレース駆動型シミュレーションにより評価され、予測の正確性とシステムの応答性が検証された。

実験結果

リサーチクエスチョン

• RQ1 フェイズコンピューティングをどのように活用することで、自動運転支援システムにおける遅延を低減できるか？
• RQ2 機械学習ベースの軌道予測は、リアルタイムの運転意思決定におけるデータ陳腐化の影響をどの程度軽減できるか？
• RQ3 分散デジタルツイン（エッジツイン）は、複数のフェイジングノードにまたがって、一貫性があり予測可能な道路セグメントのビューをどのように維持できるか？
• RQ4 軌道予測を用いたタイムシフトメカニズムは、運転推奨の関連性をどの程度向上できるか？
• RQ5 中央集権的で予測的なエッジツインを用いて、自動運転車両間で道路空間をどのように公平かつ効率的に割り当てられるか？

主な発見

• 機械学習ベースの軌道予測器は、実世界の交通トレースにおいて低予測誤差を達成し、システム内の通信遅延を効果的に補償した。
• 予測を用いたタイムシフトメカニズムにより、データ遅延が存在する中でも、エッジツインは関連性があり、将来志向の運転意思決定を生成できた。
• ハザードマップ生成手順は、予測された車両移動に基づいて、安全で占有されていない道路セグメントを効果的に同定した。
• シミュレーションにおいて、予測的エッジツインがリアルタイムで協調的な自動運転支援を支援できることを示した。
• フェイジングコンピューティングとデジタルツイン、機械学習の統合により、交通管理と安全性のためのスケーラブルで低遅延なソリューションが可能になった。
• エッジツインフレームワークは、将来の大規模実装を支援するJAMScriptプログラミングモデルと良好に整合していた。