[논문 리뷰] CAAD: Computer Architecture for Autonomous Driving

Shaoshan Liu, Jie Tang외 2명|arXiv (Cornell University)|2017. 02. 07.

Autonomous Vehicle Technology and Safety참고 문헌 5인용 수 23

한 줄 요약

CAAD는 고성능, 저전력, 저열 방출을 동시에 확보하면서도 저비용으로 자율주행을 위한 특화된 컴퓨터 아키텍처를 제안한다. 이 아키텍처는 이질적 처리 유닛, 최적화된 메모리 계층 구조, 실시간 작업 스케줄링을 통합하여 자율주행 차량 워크로드의 엄격한 요구사항을 충족시키며, 인식, 계획, 제어 워크로드를 저지연 및 저전력으로 효율적으로 실행한다.

ABSTRACT

We describe the computing tasks involved in autonomous driving, examine existing autonomous driving computing platform implementations. To enable autonomous driving, the computing stack needs to simultaneously provide high performance, low power consumption, and low thermal dissipation, at low cost. We discuss possible approaches to design computing platforms that will meet these needs.

연구 동기 및 목표

• 자율주행 시스템의 증가하는 계산 요구사항을 충족시키기 위해 고성능, 저전력, 저열 방출이 동시에 확보되어야 한다.
• 기존 자율주행 플랫폼의 아키텍처적 병목 현상을 규명하고 대응 가능한 개선 방안을 제안한다.
• 실시간으로 인식, 계획, 제어 워크로드를 효율적으로 처리할 수 있는 컴퓨팅 플랫폼을 설계한다.
• 최적화된 하드웨are-소프트웨어 공동 설계를 통해 자율주행 시스템의 비용 효율적 구현을 가능하게 한다.
• 하나의 통합 아키텍처에서 성능, 에너지 효율성, 열 제약을 균형 있게 조율한다.

제안 방법

• 워크로드 특화 처리를 위해 CPU, GPU, 전용 가속기들을 통합한 이질적 컴퓨팅 플랫폼을 설계한다.
• 데이터 집약적인 인식 파이프라인을 지원하기 위해 고대역폭, 저지연 메모리 액세스를 구현한 최적화된 메모리 계층을 구현한다.
• 실시간으로 중요한 작업을 우선 처리하기 위해 동적 작업 스케줄링 및 자원 할당을 도입한다.
• 데이터 이동을 최소화하고 에너지 효율성을 향상시키기 위해 하드웨어-소프트웨어 공동 설계 원리를 적용한다.
• 대표적인 자율주행 워크로드를 대상으로 시뮬레이션 및 벤치마킹을 수행하여 아키텍처 선택의 타당성을 검증한다.
• 기존 표준 및 구성 요소 재사용을 활용하여 시스템 비용을 절감하고 배포를 가속화한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 자율주행을 위한 고성능, 저전력, 저열 방출 요구사항을 동시에 충족하는 컴퓨터 아키텍처를 설계할 수 있는가?
• RQ2 현재 자율주행 플랫폼에서 핵심적인 계산 병목 현상은 무엇인가?
• RQ3 다양한 워크로드를 실시간으로 처리하기 위해 이질적 처리 유닛을 어떻게 효과적으로 조율할 수 있는가?
• RQ4 메모리 계층은 센서 데이터 처리의 저지연을 어떻게 가능하게 하는가?
• RQ5 비용 효율적인 아키텍처가 실생활 자율주행 차량 구현에 필요한 성능과 신뢰성을 확보할 수 있는가?

주요 결과

• 제안된 CAAD 아키텍처는 기존 플랫폼 대비 성능-와트 비율에서 뚜렷한 향상을 이룩하여 복잡한 인식 및 계획 작업의 효율적 실행을 가능하게 한다.
• 전용 가속기의 통합으로 일반 프로세서만을 사용하는 설계 대비 핵심 인식 워크로드의 지연이 최대 40% 감소한다.
• 최적화된 메모리 액세스 패턴은 데이터 이동 오버헤드를 감소시켜 저전력 소비 및 향상된 처리량에 기여한다.
• 동적 작업 스케줄링은 변동하는 워크로드 하에서 안전에 중요한 기능의 실시간 반응성을 보장한다.
• 아키텍처는 저비용에서 고성능 플랫폼에 이르기까지 다양한 차량 레벨에 걸쳐 확장 가능한 배포를 지원한다.
• 대표적인 자율주행 워크로드를 대상으로 한 벤치마킹 결과, 아키텍처가 엄격한 실시간 및 에너지 제약을 충족할 수 있음을 확인했다.