[论文解读] Machine Learning-Based Automated Design Space Exploration for Autonomous Aerial Robots.

Srivatsan Krishnan, Zishen Wan+7 more|arXiv (Cornell University)|Feb 5, 2021

Robotics and Sensor-Based Localization参考文献 43被引用 11

一句话总结

该论文提出 AutoPilot，一种基于机器学习的框架，通过新颖的 F-1 屋顶性能模型，自动化自主空中机器人的网络物理协同设计。通过集成贝叶斯优化，在不同传感器频率和任务复杂度下协同优化自主算法与硬件加速器，AutoPilot 将任务时间最多减少 2 倍，并相比基线方法节省电池能量。

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.

研究动机与目标

• 为解决在设计自主空中机器人平衡的机载计算系统方面缺乏系统性方法的问题。
• 识别由网络组件（例如传感器频率、计算能力）与物理组件（例如机体动力学）相互作用引发的性能瓶颈。
• 实现针对特定机器人平台和任务复杂度的最优软硬件堆栈的自动化、端到端设计。
• 通过协同设计自主算法与硬件加速器，减少任务时间和能耗。

提出的方法

• 提出 F-1 屋顶模型，以量化自主空中机器人中计算吞吐量与物理系统动力学之间的性能权衡。
• 利用 F-1 模型对多种机载平台上的基于学习的自主算法进行表征，揭示了网络物理协同设计的必要性。
• 开发 AutoPilot，一种一键式框架，通过在多维设计空间中使用贝叶斯优化实现协同设计的自动化。
• 以高层次规范指导优化过程，包括任务复杂度、传感器帧率和机器人动力学。
• 在统一的搜索空间中协同设计自主算法与硬件加速器，以在能量和性能约束下最小化任务时间。
• 在贝叶斯优化中使用可微分的性能模型，以高效探索并收敛到最优配置。

实验结果

研究问题

• RQ1 如何系统性地建模基于学习的自主算法在空中机器人中与计算和物理约束之间的性能关系？
• RQ2 传感器帧率和机体动力学对自主空中系统整体任务时间和能效有何影响？
• RQ3 算法与硬件加速器的自动化协同设计在多大程度上可减少任务时间和能耗？
• RQ4 F-1 屋顶模型如何实现对自主空中机器人复杂网络物理设计空间的有效导航？

主要发现

• F-1 屋顶模型有效捕捉了计算性能与物理动力学之间的相互作用，揭示了传统设计方法中的性能瓶颈。
• 与基线方法相比，AutoPilot 生成的设计在不同任务复杂度和传感器帧率下，将任务时间最多减少 2 倍。
• 通过协同优化算法与硬件，该框架实现了显著的能效节省，提升了电池效率。
• 基于 F-1 模型的贝叶斯优化能够高效探索高维网络物理设计空间。
• 协同设计方法生成了更加平衡高效的系统配置，优于人工调优或解耦设计。
• 该方法可推广至不同机器人平台和不同任务复杂度水平，展现出鲁棒性和可扩展性。