[論文レビュー] Implementing a Cloud Platform for Autonomous Driving

Shaoshan Liu, Jie Tang+3 more|arXiv (Cornell University)|Apr 10, 2017

Scientific Computing and Data Management参考文献 3被引用数 11

ひとこと要約

本論文は、自律走行車の開発を支援する包括的で生産環境向けのクラウドプラットフォームインフラを提示する。分散コンピューティング、ストレージ、および異種アクセラレータを統合し、シミュレーション、ディープラーニング学習、HDマップ生成といった重要なワークロードをサポートする。著者らは、モジュラーでクラウドネイティブなアーキテクチャと最適化されたリソースオーケストレーションを採用することで、自律走行車開発のエンドツーエンドな効率的かつ包括的支援を実現したスケーラブルで生産環境対応のシステムを実証した。

ABSTRACT

Autonomous driving clouds provide essential services to support autonomous vehicles. Today these services include but not limited to distributed simulation tests for new algorithm deployment, offline deep learning model training, and High-Definition (HD) map generation. These services require infrastructure support including distributed computing, distributed storage, as well as heterogeneous computing. In this paper, we present the details of how we implement a unified autonomous driving cloud infrastructure, and how we support these services on top of this infrastructure.

研究の動機と目的

• 自律走行車ワークロードに特化した統合クラウドインフラの設計および実装を目的とする。
• 分散シミュレーション、オフラインディープラーニング学習、HDマップ生成など、多様で計算集約的なタスクをサポートすることを目的とする。
• GPUやTPUを含む異種コンピューティングを、分散ストレージおよびスケーラブルなオーケストレーションと統合することを目的とする。
• クラウド環境における自律走行車ソフトウェアスタックの効率的で信頼性が高く拡張可能なデプロイを可能とすることを目的とする。
• 自律走行車システム開発のライフサイクルを包括的にサポートする生産環境向けプラットフォームを提供することを目的とする。

提案手法

• シミュレーション、学習、マッピングの各モジュールを備えたマイクロサービスアーキテクチャに基づくクラウドインフラを構築する。
• 分散コンピューティングフレームワークを活用し、マシンクラスタを横断してシミュレーションおよび学習をスケーリングする。
• GPUやTPUを含む異種アクセラレータは、動的リソーススケジューラによってオーケストレーションされ、ディープラーニングワークロードの高速化が実現される。
• 大規模なデータセット（センサデータやHDマップ資産など）の管理に、分散ストレージシステムを用いる。
• ワークロードの隔離とポータビリティを実現するため、コンテナ化およびオーケストレーション（例：Kubernetesに類似したパターン）を採用する。
• 中央集約型コントロールプレーンが、プラットフォーム全体にまたがるジョブスケジューリング、モニタリング、障害回復を調整する。

実験結果

リサーチクエスチョン

• RQ1 包括的クラウドプラットフォームは、自律走行車開発における多様で要求の高いワークロードをどのように効率的にサポートできるか？
• RQ2 分散コンピューティング、ストレージ、および異種アクセラレータの有効統合を可能にするアーキテクチャパターンは何か？
• RQ3 シミュレーション、学習、HDマップ生成を、単一のクラウドインfra上ですべて統合・オーケストレーションするにはどうすればよいか？
• RQ4 生産環境向け自律走行車クラウドにおいて、どのようなパフォーマンスおよびスケーラビリティの保証が達成可能か？
• RQ5 低遅延のジョブ実行を維持しつつ、異種ハードウェア全体にわたるリソース利用を最適化するにはどうすればよいか？

主な発見

• プラットフォームは、シミュレーション、モデル学習、HDマップ生成を含むエンドツーエンドの自律走行車開発パイプラインを効果的にサポートしている。
• 異種アクセラレータの統合により、認識および計画に用いられるディープラーニングモデルの学習時間が顕著に短縮された。
• 分散シミュレーションワークロードは数百ノードにわたり効果的にスケーリングされ、新アルゴリズムの高精度なテストが可能になった。
• コンテナ化によるワークロード隔離と知的なジョブスケジューリングにより、高いリソース利用率が達成された。
• 反復的開発サイクルにおいて極めて重要な低遅延のジョブ提出および回復が、プラットフォームで実証された。
• モジュラーでクラウドネイティブな設計により、拡張性が確保され、今後のワークロード（例：リアルタイムデータ処理、オーバーザエア更新）のサポートも可能となった。