[论文解读] Situation-Aware Environment Perception for Decentralized Automation Architectures

Matti Henning, Michael Buchholz+1 more|arXiv (Cornell University)|Jul 5, 2022

Autonomous Vehicle Technology and Safety参考文献 16被引用 5

一句话总结

本文将情境感知环境感知框架扩展至去中心化自动化架构，通过基于情境相关性的选择性传感器数据处理，在UNICARagil原型车辆中实现了每日功耗降低36.2%的估算值。该方法利用真实世界数据与事后分析表明，尽管当前软件模块因区域数据处理限制了能效提升，但通过架构重构可释放显著的效率增益。

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.

研究动机与目标

• 将情境感知环境感知扩展至去中心化自动化架构，如UNICARagil项目中的架构。
• 利用软硬件协同测试数据评估情境感知在真实世界中对功耗的影响。
• 识别当前软件模块中阻碍有效节能的限制因素，尽管已实现情境数据减少。
• 倡导采用可扩展软件与可配置硬件模块，以充分释放自动驾驶系统中情境感知的潜力。

提出的方法

• 作者将先前发表的模块化、形式化的场景感知环境感知概念应用于UNICARagil车辆的去中心化服务导向架构。
• 使用在德国乌尔姆大学附近采集的真实世界传感器数据，通过事后处理模拟实时性能。
• 通过不同处理配置（包括完整处理、部分四分之一区域处理和待机状态）直接测量传感器模块的功耗。
• 该方法评估了多区域学习与自适应机制（MLAM）在基于情境相关性减少数据处理负载方面的有效性。
• 模拟了假设的10小时日行驶路线，以估算所有四个传感器模块的累计功耗节省。
• 将系统基线功耗与采用情境感知数据选择的配置进行对比，量化能效节省。

实验结果

研究问题

• RQ1 情境感知环境感知框架能否有效应用于UNICARagil等去中心化自动化架构？
• RQ2 在真实世界硬件中，通过情境感知数据处理可实现的实际功耗降低程度是多少？
• RQ3 为何基于MLAM的区域数据处理在当前传感器模块软件中未能实现功耗降低？
• RQ4 在未对软件进行区域特定处理优化的情况下，系统级功耗节省的潜力有多大？
• RQ5 为充分实现情境感知的效益，需要哪些架构与软件设计的改进？

主要发现

• 将情境感知应用于去中心化的UNICARagil架构，可估算实现环境感知每日功耗降低36.2%。
• 即使通过MLAM实现完整数据缩减，仅处理一个或两个区域时功耗反而上升2.3%，表明当前软件模块存在效率低下问题。
• 待机模式（零处理区域）使中位数功耗降低44%，证实完全停用有效，但部分处理无效。
• 底层深度学习模型（如PointNet、PointPillar）不具备可扩展性，引入固定计算开销，限制了区域数据缩减带来的能效增益。
• 当前软件架构未针对可变输入大小高效设计，需进行填充与复制操作，抵消了数据缩减带来的收益。
• 为充分释放情境感知潜力，未来系统必须集成可扩展软件模块或支持区域特定处理的可配置硬件。