[논문 리뷰] Machine Learning-Based Automated Design Space Exploration for Autonomous Aerial Robots.

Srivatsan Krishnan, Zishen Wan외 7명|arXiv (Cornell University)|2021. 02. 05.

Robotics and Sensor-Based Localization참고 문헌 43인용 수 11

한 줄 요약

이 논문은 기계학습 기반의 프레임워크인 AutoPilot을 제안하며, 새로운 F-1 루프라인 성능 모델을 사용하여 자율 항공 로봇의 사이버-물리적 공동 설계를 자동화한다. 다양한 센서 레이트와 작업 복잡도에서 자율 주행 알고리즘과 하드웨어 가속기 간의 공동 최적화를 위해 베이지안 최적화를 통합함으로써, AutoPilot은 기준 대비 최대 2배까지 임무 시간을 단축시키고 배터리 에너지를 절약한다.

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.

연구 동기 및 목표

• 자율 항공 로봇을 위한 균형 잡힌 차량 내 컴퓨팅 시스템 설계에 체계적인 방법론이 부족한 문제를 해결하기 위해.
• 사이버 구성요소(예: 센서 레이트, 계산 능력)와 물리적 구성요소(예: 바디 역학) 간의 상호작용으로 인해 발생하는 성능 저하 요인을 규명하기 위해.
• 특정 로봇 플랫폼과 작업 복잡도에 맞춰 최적의 하드웨어-소프트웨어 스택을 종단 간 자동 설계할 수 있도록 하기 위해.
• 자율 주행 알고리즘과 하드웨어 가속기를 공동 설계하여 임무 시간과 에너지 소비를 줄이기 위해.

제안 방법

• 자율 항공 로봇에서 계산 처리량과 물리적 시스템 역학 간의 성능 트레이드오프를 정량화하기 위해 F-1 루프라인 모델을 도입한다.
• F-1 모델을 사용해 다양한 차량 내 플랫폼에서 학습 기반 자율 주행 알고리즘을 특성화함으로써 사이버-물리적 공동 설계의 필요성을 드러낸다.
• 다차원 설계 공간에서 베이지안 최적화를 사용하여 공동 설계를 자동화하는 일체형 프레임워크인 AutoPilot을 개발한다.
• 작업 복잡도, 센서 프레임 레이트, 로봇 역학 등 고수준 사양을 기반으로 최적화 과정을 안내한다.
• 에너지 및 성능 제약 조건 하에 임무 시간을 최소화하기 위해 자율 주행 알고리즘과 하드웨어 가속기를 통합된 검색 공간에서 공동 설계한다.
• 효율적인 탐색과 빠른 수렴을 위해 베이지안 최적화 내부에서 미분 가능한 성능 모델을 활용한다.

실험 결과

연구 질문

• RQ1 자율 항공 로봇에서 계산 능력과 물리적 제약 조건을 모두 고려할 때, 학습 기반 자율 주행 알고리즘의 성능을 어떻게 시스템적으로 모델링할 수 있는가?
• RQ2 센서 프레임 레이트와 바디 역학은 자율 항공 시스템의 전체 임무 시간과 에너지 효율성에 어떤 영향을 미치는가?
• RQ3 알고리즘과 하드웨어 가속기를 자동으로 공동 설계함으로써 임무 시간과 에너지 소비를 얼마나 줄일 수 있는가?
• RQ4 F-1 루프라인 모델은 자율 항공 로봇의 복잡한 사이버-물리적 설계 공간을 효과적으로 탐색하는 데 어떻게 기여하는가?

주요 결과

• F-1 루프라인 모델은 계산 성능과 물리적 역학 간의 상호작용을 효과적으로 반영하며, 기존 설계 방식에서의 성능 저하 요인을 드러낸다.
• AutoPilot이 생성한 설계는 다양한 작업 복잡도와 센서 프레임 레이트에서 기준 대비 최대 2배까지 임무 시간을 단축시킨다.
• 알고리즘과 하드웨어를 공동 최적화함으로써 상당한 에너지 절감을 이룩하여 배터리 효율성이 향상된다.
• F-1 모델에 기반한 베이지안 최적화를 통해 고차원의 사이버-물리적 설계 공간을 효율적으로 탐색할 수 있다.
• 공동 설계 접근법은 수동 최적화나 분리된 설계보다 더 균형 잡히고 효율적인 시스템 구성으로 이어진다.
• 이 방법은 다양한 로봇 플랫폼과 다양한 수준의 작업 복잡도에 일반화 가능하며, 강건성과 확장성을 입증한다.