[論文レビュー] Edge Intelligence for Autonomous Driving in 6G Wireless System: Design Challenges and Solutions

Bo Yang, Xuelin Cao+6 more|arXiv (Cornell University)|Dec 13, 2020

IoT and Edge/Fog Computing参考文献 15被引用数 5

ひとこと要約

本稿では、6G対応自律走行車両を想定した二段階エッジインテリジェンス（EI）フレームワークを提案する。深層ニューラルネットワーク（DNN）モデルを車両とエッジサーバーの間で分割することで、低遅延かつプライバシーを守った推論を実現する。リアルタイムのオフロード意思決定にはマルチタスク学習（MTL）を、共同推論にはニューラルネットワークセグメンテーションを活用することで、ベースライン手法と比較して遅延を99％以上低減し、データ品質が低い状況下でも精度を向上させる。

ABSTRACT

In a level-5 autonomous driving system, the autonomous driving vehicles (AVs) are expected to sense the surroundings via analyzing a large amount of data captured by a variety of onboard sensors in near-real-time. As a result, enormous computing costs will be introduced to the AVs for processing the tasks with the deployed machine learning (ML) model, while the inference accuracy may not be guaranteed. In this context, the advent of edge intelligence (EI) and sixth-generation (6G) wireless networking are expected to pave the way to more reliable and safer autonomous driving by providing multi-access edge computing (MEC) together with ML to AVs in close proximity. To realize this goal, we propose a two-tier EI-empowered autonomous driving framework. In the autonomous-vehicles tier, the autonomous vehicles are deployed with the shallow layers by splitting the trained deep neural network model. In the edge-intelligence tier, an edge server is implemented with the remaining layers (also deep layers) and an appropriately trained multi-task learning (MTL) model. In particular, obtaining the optimal offloading strategy (including the binary offloading decision and the computational resources allocation) can be formulated as a mixed-integer nonlinear programming (MINLP) problem, which is solved via MTL in near-real-time with high accuracy. On another note, an edge-vehicle joint inference is proposed through neural network segmentation to achieve efficient online inference with data privacy-preserving and less communication delay. Experiments demonstrate the effectiveness of the proposed framework, and open research topics are finally listed.

研究の動機と目的

• 車両搭載のセンサデータ処理に伴う高い計算コストと、レベル5自律走行システムにおける信頼性の低い推論精度を解消すること。
• マルチアクセスエッジコンピューティング（MEC）を活用し、車両の一部のディープラーニングワークロードをエッジサーバーにオフロードすることで、自律走行車両（AV）における低遅延・高精度推論を実現すること。
• 車両とエッジサーバー間のニューラルネットワークセグメンテーションと共同推論により、データプライバシーを保護するとともに通信遅延を低減すること。
• オフロード意思決定とリソース割り当ての混合整数非線形プログラミング（MINLP）問題を、マルチタスク学習（MTL）を用いて効率的に解くこと。
• 異なるデータ品質と車両負荷状態下でのフレームワークの性能を評価し、耐障害性とスケーラビリティを示すこと。

提案手法

• 事前に訓練済みの深層ニューラルネットワーク（DNN）モデルを、車両に浅い層、エッジサーバーに残りの深い層に分割する。
• エッジサーバーにマルチタスク学習（MTL）モデルを導入し、近似リアルタイムで最適なオフロード意思決定と計算リソース割り当てを同時に予測する。
• ニューラルネットワークセグメンテーションにより、車両とエッジサーバー間の中間特徴マップを効率的にルーティングすることで、通信オーバーヘッドを最小限に抑えたオンライン推論を実現する。
• オフロード戦略問題を混合整数非線形プログラミング（MINLP）問題として定式化し、MTLを用いてサブミリ秒レベルの応答時間を達成する。
• 生のセンサデータを車両に保持し、中間特徴のみを送信することで、プライバシー保護型推論を実現する。
• ケーススタディとして、悪化データ比η（bad data ratio）とAV数（2〜8台）を変化させた状況下で、MTL、sBB、および車両単独推論を比較評価する。

Figure 1: An illustrative scenario of autonomous driving system.

実験結果

リサーチクエスチョン

• RQ1 6G無線システムにおけるエッジインテリジェンスは、リアルタイム制約下で自律走行車両に対してどのように低遅延・高精度推論を実現できるか？
• RQ2 複数台の自律走行車両が存在する環境下で、計算オフロードと通信遅延の最適なトレードオフは何か？
• RQ3 車両とエッジサーバー間の協調推論を可能にする一方で、どのようにしてデータプライバシーを保護できるか？
• RQ4 従来の最適化手法と比較して、マルチタスク学習（MTL）はオフロード意思決定の効率性と精度をどの程度向上させるか？
• RQ5 入力データ品質が劣化した場合（例：ぼやけた画像）や車両密度が変動する状況下で、システムはどのように動作するか？

主な発見

• MTLベースのオフロード戦略により、sBBアルゴリズムと比較して解法時間は千分の之一以下に短縮され、ほぼリアルタイム性能を達成した。
• 悪化データ比ηが0.3を超えた場合、より深いDNN層による精度向上のおかげで、エッジ推論が車両単独推論を上回り、重み付き合計コストを低減した。
• MTLモデルのMSEはsBBアルゴリズムの半分未満であり、オフロード意思決定予測の精度が優れていることを示している。
• η < 0.3の場合は、遅延が低く精度が高いことから、車両単独推論がより優位であったが、データ品質が劣化するにつれエッジ推論が不可欠となった。
• 2〜8台のAVに対して、通信遅延を低く保ちながら高い推論精度を維持したため、スケーラビリティが確認された。
• ニューラルネットワークセグメンテーションによる共同推論により、プライバシー保護型で動的かつ効率的なオンライン推論が実現され、遅延が低減した。

Figure 2: Illustration of the four functionality modules.