[论文解读] Towards Safety-Aware Computing System Design in Autonomous Vehicles

Hengyu Zhao, Yubo Zhang+5 more|arXiv (Cornell University)|May 21, 2019

Autonomous Vehicle Technology and Safety参考文献 39被引用 16

一句话总结

本文提出了一种安全评分与感知延迟模型，用于指导自动驾驶汽车（AV）中安全感知计算系统的设计，解决了传统指标（如尾部延迟）的局限性。通过整合在多种道路和交通条件下运行的L4级AV车队的真实现场数据，作者表明安全是响应时间与环境因素的非线性函数，并通过软硬件协同设计的资源管理方案验证了该方法，将感知延迟降低了最多2.6倍。

ABSTRACT

Recently, autonomous driving development ignited competition among car makers and technical corporations. Low-level automation cars are already commercially available. But high automated vehicles where the vehicle drives by itself without human monitoring is still at infancy. Such autonomous vehicles (AVs) rely on the computing system in the car to to interpret the environment and make driving decisions. Therefore, computing system design is essential particularly in enhancing the attainment of driving safety. However, to our knowledge, no clear guideline exists so far regarding safety-aware AV computing system and architecture design. To understand the safety requirement of AV computing system, we performed a field study by running industrial Level-4 autonomous driving fleets in various locations, road conditions, and traffic patterns. The field study indicates that traditional computing system performance metrics, such as tail latency, average latency, maximum latency, and timeout, cannot fully satisfy the safety requirement for AV computing system design. To address this issue, we propose a `safety score' as a primary metric for measuring the level of safety in AV computing system design. Furthermore, we propose a perception latency model, which helps architects estimate the safety score of given architecture and system design without physically testing them in an AV. We demonstrate the use of our safety score and latency model, by developing and evaluating a safety-aware AV computing system computation hardware resource management scheme.

研究动机与目标

• 识别传统计算系统指标（如尾部延迟和超时）在满足高级自动化自动驾驶汽车（AV）安全需求方面的不足。
• 开发一种安全评分指标，以非线性函数形式定量捕捉自动驾驶汽车的安全性，该函数综合考虑响应时间、车辆动力学及外部因素（如速度、加速度和道路状况）。
• 提出一种感知延迟模型，实现对AV系统架构在无物理测试情况下的离线安全评分估算。
• 通过一种软硬件协同设计的资源管理方案，展示安全评分与延迟模型的实际效用，提升系统响应能力。
• 通过提供可量化的、系统级的安全指标，弥合形式化AV安全模型（如RSS）与真实世界计算系统设计之间的差距。

提出的方法

• 安全评分基于责任敏感安全（RSS）模型推导，将车辆动力学（速度、加速度）、制动距离和环境条件整合进一个非线性安全函数。
• 开发感知延迟模型，用于在不同驾驶场景下估算给定计算架构的安全评分，支持早期阶段的设计评估。
• 利用在多样化道路与交通条件下运行的工业级4级（L4）AV车队的现场数据，对安全评分与延迟模型进行校准与验证。
• 协同设计一种安全感知异构计算资源管理方案，优化CPU、GPU及专用加速器，以最小化感知延迟。
• 该方法使架构师能够使用延迟模型对系统设计进行离线评估，以预测物理部署前的安全评分。
• 该方法将形式化安全原则与真实世界系统性能相结合，将关注点从原始延迟转向安全感知的系统响应能力。

实验结果

研究问题

• RQ1 传统计算系统指标（如尾部延迟和超时）为何无法准确反映自动驾驶汽车计算系统响应时间的真实安全影响？
• RQ2 是否存在一种非线性、系统级的安全指标，能够将计算响应时间与车辆动力学及环境因素相结合？
• RQ3 在不依赖真实车辆物理测试的情况下，如何估算给定AV计算架构的安全评分？
• RQ4 安全感知资源管理方案在多大程度上能够提升AV的感知延迟与系统安全性？
• RQ5 所提出的安全评分与延迟模型如何指导自动驾驶汽车异构计算系统的设计？

主要发现

• 传统指标（如尾部延迟和超时）无法准确反映自动驾驶汽车计算系统响应时间的真实安全影响。
• 基于RSS模型推导的安全评分，提供了一种非线性、定量化的AV安全度量，综合考虑了速度、加速度、制动距离和交通状况。
• 感知延迟模型可实现对不同系统架构安全评分的准确离线估算，减少对昂贵物理测试的依赖。
• 所提出的资源管理方案在真实数据中，相比仅使用CPU的配置，将平均感知延迟降低了2.6倍；相比GPU+CPU配置，降低了45%。
• 研究表明，安全感知设计导致的系统与架构选择，与仅依赖传统性能指标指导的设计截然不同。
• 来自L4级AV车队在多样化环境下的现场数据证实，安全是响应时间与外部因素的非线性函数，验证了所提出安全评分的必要性。