[논문 리뷰] Situation-Aware Environment Perception for Decentralized Automation Architectures

Matti Henning, Michael Buchholz외 1명|arXiv (Cornell University)|2022. 07. 05.

Autonomous Vehicle Technology and Safety참고 문헌 16인용 수 5

한 줄 요약

이 논문은 UNICARagil 프로토타입 차량의 경우, 상황에 따라 관련성이 있는 데이터만 선택적으로 처리함으로써 매일의 전력 소비를 약 36.2% 감소시킬 수 있음을 입증하는 분산 자동화 아키텍처로 상황 인지 환경 인식 프레임워크를 확장한다. 이 접근법은 실제 데이터와 후처리 분석을 활용하여, 현재 소프트웨어 모듈이 지역별 데이터 처리를 통해 에너지 절감을 제한하고 있음에도 불구하고, 아키텍처 재설계를 통해 상당한 효율성 향상을 이끌어낼 수 있음을 보여준다.

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.

연구 동기 및 목표

• UNICARagil 프로젝트와 같은 분산 자동화 아키텍처에 상황 인지 환경 인식을 확장하는 것.
• 하드웨어 인 더 루프(Hardware-in-the-Loop) 데이터를 사용하여 상황 인지 기반의 실제 영향을 전력 소비 측면에서 평가하는 것.
• 상황 기반 데이터 감소에도 불구하고 효과적인 에너지 절감을 방해하는 현재 소프트웨어 모듈의 한계를 규명하는 것.
• 상황 인지 기반의 잠재력을 최대로 발휘하기 위해 확장 가능한 소프트웨어와 구성 가능한 하드웨어 모듈을 도입할 것을 주장하는 것.

제안 방법

• 저자는 이전에 발표한 모듈식이고 형식화된 상황 인지 환경 인식 개념을 UNICARagil 차량의 분산형 서비스 기반 아키텍처에 적용한다.
• 독일 욘대학교 근처에서 수집한 실제 센서 데이터를 후처리하여 실시간 성능을 시뮬레이션한다.
• 다양한 처리 구성(전체 처리, 부분 4분면 처리, 대기 상태)에서 센서 모듈의 전력 소비를 직접 측정한다.
• 상황적 관련성에 기반해 데이터 처리 부하를 줄이는 데 있어 다중 영역 학습 및 적응 메커니즘(MLAM)의 효과를 평가한다.
• 10시간 분량의 가상 일일 주행 노선을 시뮬레이션하여 네 개의 센서 모듈 전반에 걸친 누적 전력 절감량을 추정한다.
• 시스템의 기본 전력 소비와 상황 인지 기반 데이터 선택을 적용한 구성 간의 비교를 통해 에너지 절감량을 정량화한다.

실험 결과

연구 질문

• RQ1 상황 인지 환경 인식 프레임워크는 UNICARagil의 분산 자동화 아키텍처에 효과적으로 적용될 수 있는가?
• RQ2 실제 하드웨어에서 상황 인지 기반 데이터 처리를 통해 달성 가능한 실제 전력 소비 감소율은 얼마인가?
• RQ3 현재 센서 모듈 소프트웨어에서 MLAM 기반의 지역별 데이터 처리가 전력 소비를 줄이지 못하는 이유는 무엇인가?
• RQ4 지역별 처리를 위한 소프트웨어 최적화 없이도 시스템 수준의 에너지 절감은 어느 정도 달성될 수 있는가?
• RQ5 상황 인지 기반의 잠재력을 완전히 실현하기 위해 필요한 아키텍처 및 소프트웨어 설계 변경 사항은 무엇인가?

주요 결과

• 분산형 UNICARagil 아키텍처에 상황 인지 기반 기술을 적용함으로써 환경 인식에 대한 일일 전력 소비가 약 36.2% 감소함을 추정할 수 있다.
• MLAM을 통해 전체 데이터 감소를 달성했음에도 불구하고, 한 개 또는 두 개의 분면만 처리할 경우 전력 소비가 2.3% 증가했으며, 이는 현재 소프트웨어 모듈의 비효율성 때문임을 시사한다.
• 대기 모드(처리를 전혀 하지 않는 상태)에서는 중앙값 전력 소비가 44% 감소했으며, 이는 완전한 비활성화가 효과적임을 확인하지만, 부분 처리는 그렇지 않음을 의미한다.
• 기본이 되는 딥 러닝 모델들(예: PointNet, PointPillar)은 확장성이 없고 고정된 계산 오버헤드를 유발하여 지역별 데이터 감소로 인한 에너지 절감을 제한한다.
• 현재 소프트웨어 아키텍처는 변수 크기의 입력을 효율적으로 처리하도록 설계되어 있지 않아 패딩 및 복사 작업이 발생하여 데이터 감소의 이점을 상쇄한다.
• 상황 인지 기반의 잠재력을 완전히 활용하기 위해서는 향후 시스템이 확장 가능한 소프트웨어 모듈 또는 지역별 처리를 위한 구성 가능한 하드웨어를 통합해야 한다.