[論文レビュー] Situation-Aware Environment Perception for Decentralized Automation Architectures

Matti Henning, Michael Buchholz+1 more|arXiv (Cornell University)|Jul 5, 2022

Autonomous Vehicle Technology and Safety参考文献 16被引用数 5

ひとこと要約

本論文は、UNICARagilプロトタイプ車両のデセントラライズド自動化アーキテクチャに、状況に応じた環境認識フレームワークを拡張し、状況的関連性に基づいてセンサデータを選択的に処理することにより、1日あたりの消費電力が推定36.2％削減されることを示した。このアプローチは、実世界のデータと後処理分析を活用し、現在のソフトウェアモジュールが地域的データ処理によってエネルギー節約を制限している一方で、アーキテクチャの再設計により顕著な効率向上が可能であることを明らかにした。

ABSTRACT

Advances in the field of environment perception for automated agents have resulted in an ongoing increase in generated sensor data. The available computational resources to process these data are bound to become insufficient for real-time applications. Reducing the amount of data to be processed by identifying the most relevant data based on the agents' situation, often referred to as situation-awareness, has gained increasing research interest, and the importance of complementary approaches is expected to increase further in the near future. In this work, we extend the applicability range of our recently introduced concept for situation-aware environment perception to the decentralized automation architecture of the UNICARagil project. Considering the specific driving capabilities of the vehicle and using real-world data on target hardware in a post-processing manner, we provide an estimate for the daily reduction in power consumption that accumulates to 36.2%. While achieving these promising results, we additionally show the need to consider scalability in data processing in the design of software modules as well as in the design of functional systems if the benefits of situation-awareness shall be leveraged optimally.

研究の動機と目的

• 状況に応じた環境認識を、UNICARagilプロジェクトのようなデセントラライズド自動化アーキテクチャに拡張すること。
• ハードウェアインザループデータを用いて、状況認識が実世界の消費電力に与える影響を評価すること。
• 状況的データ圧縮にもかかわらず、効果的なエネルギー節約が実現できない現在のソフトウェアモジュールの制限要因を同定すること。
• 状況認識を最大限に活かすために、スケーラブルなソフトウェアおよび設定可能なハードウェアモジュールを提言すること。

提案手法

• 著者は、以前に発表したモジュラーで形式化された状況に応じた環境認識の概念を、UNICARagil車両のデセントラライズドでサービス指向のアーキテクチャに適用した。
• ドイツ、ウルム大学周辺で収集した実世界のセンサデータを用い、リアルタイム性能をシミュレートするために後処理を実施した。
• センサモジュールの消費電力を、フル処理、部分的四分円処理、スタンバイ状態といったさまざまな処理設定で直接測定した。
• 状況的関連性に基づいてデータ処理負荷を低減するためのマルチリージョン学習と適応メカニズム（MLAM）の有効性を評価した。
• 10時間の日次ルートを仮想シミュレーションし、4つのセンサモジュール全体の累積的消費電力削減を推定した。
• システムのベースライン消費電力を、状況に応じたデータ選択を用いた設定と比較することで、エネルギー節約の定量的評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 状況に応じた環境認識フレームワークは、UNICARagilのようなデセントラライズド自動化アーキテクチャに効果的に適用可能か？
• RQ2 実世界のハードウェアにおいて、状況認識によるデータ処理を用いることで、実際にどの程度の消費電力削減が達成可能か？
• RQ3 MLAMに基づく地域的データ処理が、現在のセンサモジュールソフトウェアではなぜ消費電力を削減しないのか？
• RQ4 地域別処理用のソフトウェア最適化なしでは、システムレベルでの消費電力削減はどの程度達成可能か？
• RQ5 状況認識の利点を完全に実現するには、どのようなアーキテクチャ的およびソフトウェア設計の変更が必要か？

主な発見

• 状況に応じた認識をデセントラライズドなUNICARagilアーキテクチャに適用した結果、環境認識の1日あたりの消費電力が推定36.2％削減された。
• MLAMによる完全なデータ圧縮でさえ、1つまたは2つの四分円処理に限定した場合、消費電力が2.3％増加した。これは、現在のソフトウェアモジュールにおける非効率性を示している。
• スタンバイモード（四分円処理ゼロ）では中央値の消費電力が44％削減された。これは、完全な無効化が有効であるが、部分的処理は効果がないことを確認している。
• 深層学習モデル（例：PointNet、PointPillar）はスケーラブルではなく、固定の計算オーバーヘッドをもたらし、地域的データ圧縮によるエネルギー節約を制限している。
• 現在のソフトウェアアーキテクチャは、変動する入力サイズを効率的に処理するように設計されておらず、パディングやコピー処理が発生し、データ圧縮による利点を相殺している。
• 状況認識の利点を最大限に活かすには、将来のシステムでスケーラブルなソフトウェアモジュール、または地域別処理に対応可能な設定可能なハードウェアを統合する必要がある。