[논문 리뷰] Edge Intelligence for Autonomous Driving in 6G Wireless System: Design Challenges and Solutions

Bo Yang, Xuelin Cao외 6명|arXiv (Cornell University)|2020. 12. 13.

IoT and Edge/Fog Computing참고 문헌 15인용 수 5

한 줄 요약

이 논문은 6G 기반 자율주행을 위한 이중계층 엣지 지능(EI) 프레임워크를 제안한다. 여기서 딥 뉴럴 네트워크(DNN) 모델은 차량과 엣지 서버 간에 분할되어 저지연, 프라이버시 보장 인퍼런스를 가능하게 한다. 실시간 오프로딩 결정을 위해 다중작업 학습(MTL)을 사용하고, 신경망 분할을 통해 공동 인퍼런스를 수행함으로써, 기준 방법에 비해 지연을 99% 이상 감소시키고, 열악한 데이터 조건에서도 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 대규모 센서 데이터를 차량 내에서 처리함으로써 발생하는 높은 계산 비용과 신뢰할 수 없는 인퍼런스 정확도 문제를 해결하기 위해.
• 다중접근 엣지 컴퓨팅(MEC)을 통해 일부 딥 러닝 워크로드를 엣지 서버로 오프로딩하여 자율주행차(AV)에서 저지연, 고정확도 인퍼런스를 가능하게 하기 위해.
• 차량과 엣지 서버 간의 신경망 분할과 공동 인퍼런스를 통해 데이터 프라이버시를 보존하고 통신 지연을 줄이기 위해.
• 오프로딩 결정과 자원 할당 문제를 효율적으로 해결하기 위해 다중작업 학습(MTL)을 사용하여 혼합정수비선형계획문제(MINLP)를 해결하기 위해.
• 다양한 데이터 품질과 차량 부하 조건 하에서 프레임워크 성능을 평가하여 내구성과 확장성을 입증하기 위해.

제안 방법

• 사전 학습된 딥 뉴럴 네트워크(DNN) 모델을 차량에 얕은 계층과 엣지 서버에 남은 깊은 계층으로 분할한다.
• 엣지 서버에 다중작업 학습(MTL) 모델을 구현하여 근접 실시간으로 최적의 오프로딩 결정과 계산 자원 할당을 동시에 예측한다.
• 신경망 분할을 통해 차량과 엣지 서버 간의 중간 특징 맵을 라우팅함으로써 통신 오버헤드를 최소화하고 효율적인 온라인 인퍼런스를 가능하게 한다.
• 오프로딩 전략 문제를 혼합정수비선형계획문제(MINLP)로 수식화하고, MTL을 통해 마이크로초 수준의 반응 시간을 달성한다.
• 원시 센서 데이터는 차량에 유지하고 중간 특징만 전송함으로써 데이터 프라이버시 보장을 위한 인퍼런스를 지원한다.
• 사례 연구를 통해 악성 데이터 비율 η와 AV 수(2~8대) 변화 조건에서 MTL, sBB, 차량 전용 인퍼런스를 비교 평가한다.

Figure 1: An illustrative scenario of autonomous driving system.

실험 결과

연구 질문

• RQ1 6G 무선 시스템에서 엣지 지능은 실시간 제약 조건 하에서 자율주행차에 대해 저지연, 고정확도 인퍼런스를 어떻게 가능하게 하는가?
• RQ2 다중차량 자율주행 환경에서 계산 오프로딩과 통신 지연 사이의 최적의 트레이드오프는 무엇인가?
• RQ3 차량과 엣지 서버 간의 협업 인퍼런스를 가능하게 하면서 데이터 프라이버시는 어떻게 보존할 수 있는가?
• RQ4 전통적 최적화 방법에 비해 다중작업 학습은 오프로딩 결정 수립의 효율성과 정확도를 얼마나 향상시키는가?
• RQ5 입력 데이터 품질이 열악한 경우(예: 흐린 이미지)와 차량 밀도 변화 조건에서 시스템 성능은 어떻게 되는가?

주요 결과

• MTL 기반 오프로딩 전략은 sBB 알고리즘 대비 해법 시간을 천분의 일 이하로 감소시켜 근접 실시간 성능을 달성했다.
• 악성 데이터 비율(η)이 0.3를 초과할 경우, 더 깊은 DNN 계층으로 인한 정확도 향상 덕분에 엣지 인퍼런스가 차량 전용 인퍼런스보다 가중합비용을 감소시켜 우월한 성능을 보였다.
• MTL 모델의 MSE는 sBB 알고리즘의 절반 이하로, 오프로딩 결정 예측 정확도가 뛰어나다는 것을 나타낸다.
• η < 0.3일 경우, 저지연과 높은 정확도 덕분에 차량 전용 인퍼런스가 더 유리했지만, 데이터 품질 악화가 진행될수록 엣지 인퍼런스가 필수적이게 되었다.
• 2~8대의 AV에서 프레임워크는 낮은 통신 지연과 높은 인퍼런스 정확도를 유지하며 확장성을 입증했다.
• 신경망 분할을 통한 공동 인퍼런스는 저지연, 프라이버시 보장, 동적이고 효율적인 온라인 인퍼런스를 가능하게 하였다.

Figure 2: Illustration of the four functionality modules.