[論文レビュー] Machine Learning-Based Automated Design Space Exploration for Autonomous Aerial Robots.

Srivatsan Krishnan, Zishen Wan+7 more|arXiv (Cornell University)|Feb 5, 2021

Robotics and Sensor-Based Localization参考文献 43被引用数 11

ひとこと要約

本論文では、F-1ルーフラインパフォーマンスモデルを用いた新しい手法を採用し、自律飛行ロボットのサイバーフィジカル共同設計を自動化する機械学習ベースのフレームワークAutoPilotを提案する。センサーレートとタスクの複雑さの変動に応じて自律アルゴリズムとハードウェアアクセラレータを共同最適化するベイズ最適化を統合することで、ベースライン手法と比較してミッション時間の2倍短縮とバッテリー消費エネルギーの削減を実現する。

ABSTRACT

Building domain-specific architectures for autonomous aerial robots is challenging due to a lack of systematic methodology for designing onboard compute. We introduce a novel performance model called the F-1 roofline to help architects understand how to build a balanced computing system for autonomous aerial robots considering both its cyber (sensor rate, compute performance) and physical components (body-dynamics) that affect the performance of the machine. We use F-1 to characterize commonly used learning-based autonomy algorithms with onboard platforms to demonstrate the need for cyber-physical co-design. To navigate the cyber-physical design space automatically, we subsequently introduce AutoPilot. This push-button framework automates the co-design of cyber-physical components for aerial robots from a high-level specification guided by the F-1 model. AutoPilot uses Bayesian optimization to automatically co-design the autonomy algorithm and hardware accelerator while considering various cyber-physical parameters to generate an optimal design under different task level complexities for different robots and sensor framerates. As a result, designs generated by AutoPilot, on average, lower mission time up to 2x over baseline approaches, conserving battery energy.

研究の動機と目的

• 自律飛行ロボットのためのバランスの取れたオンボードコンピューティングシステムを設計するための体系的でない手法の問題に対処すること。
• サイバー部品（例：センサーレート、計算能力）とフィジカル部品（例：ボディダイナミクス）の相互作用に起因するパフォーマンスボトルネックを特定すること。
• 特定のロボットプラットフォームとタスクの複雑さに適合した最適なハードウェア・ソフトウェアスタックのエンドツーエンド自動設計を可能にすること。
• 自律アルゴリズムとハードウェアアクセラレータの共同設計を通じて、ミッション時間とエネルギー消費を削減すること。

提案手法

• 自律飛行ロボットにおける計算スループットとフィジカルシステムダイナミクスのパフォーマンストレードオフを定量化するためのF-1ルーフラインモデルを導入する。
• F-1モデルを用いて、さまざまなオンボードプラットフォーム上での学習ベースの自律アルゴリズムの特性を評価し、サイバーフィジカル共同設計の必要性を明らかにする。
• 多次元設計空間上でベイズ最適化を用いることで、共同設計を自動化する「AutoPilot」というワンクリックフレームワークを開発する。
• タスクの複雑さ、センサーフレームレート、ロボットダイナミクスなどのハイレベルな仕様を最適化プロセスに統合する。
• ミッション時間の最小化を目的とし、エネルギー制約とパフォーマンス制約の下で、自律アルゴリズムとハードウェアアクセラレータを統合的な探索空間で共同設計する。
• ベイズ最適化内に微分可能なパフォーマンスモデルを採用し、最適な設定に効率的に到達できるようにする。

実験結果

リサーチクエスチョン

• RQ1 自律飛行ロボットにおいて、計算制約と物理的制約の両者と関連して、学習ベースの自律アルゴリズムのパフォーマンスを体系的にモデル化する方法は何か？
• RQ2 センサーフレームレートとボディダイナミクスは、自律飛行システム全体のミッション時間とエネルギー効率にどのような影響を及えるか？
• RQ3 アルゴリズムとハードウェアアクセラレータの自動共同設計によって、ミッション時間とエネルギー消費をどれほど削減できるか？
• RQ4 F-1ルーフラインモデルは、自律飛行ロボットの複雑なサイバーフィジカル設計空間を効果的にナビゲートするためにどのように寄与するか？

主な発見

• F-1ルーフラインモデルは、計算パフォーマンスと物理的ダイナミクスの相互作用を効果的に捉えており、従来の設計手法におけるパフォーマンスボトルネックを明らかにした。
• AutoPilotが生成した設計は、多様なタスクの複雑さとセンサーフレームレートの下で、ベースライン手法と比較してミッション時間を最大2倍短縮した。
• アルゴリズムとハードウェアの共同最適化により、顕著なエネルギー節約が達成され、バッテリー効率が向上した。
• F-1モデルを基盤とするベイズ最適化により、多次元のサイバーフィジカル設計空間の効率的探索が可能になった。
• 共同設計アプローチにより、手動で最適化された設計や分離設計よりもバランスが取れて効率的なシステム構成が得られた。
• 本手法は、異なるロボットプラットフォームやタスク複雑度のレベルにわたり一般化可能であり、堅牢性とスケーラビリティを示した。