[论文解读] The Smart Black Box: A Value-Driven High-Bandwidth Automotive Event Data Recorder

Yu Yao, Ella Atkins|arXiv (Cornell University)|Mar 3, 2019

Advanced Data Storage Technologies被引用 5

一句话总结

本文提出智能黑箱（SBB），一种以价值为导向、高带宽的汽车事件数据记录器，利用确定性Mealy机根据事件稀有性和上下文相似性对原始传感器数据进行优先级排序与压缩。通过在受限多目标框架下优化压缩策略，SBB将存储需求降低了30%，同时保持了关键事件上目标检测与语义分割的深度学习可复现性，优于固定压缩基线方案。

ABSTRACT

Autonomous vehicles require reliable and resilient sensor suites and ongoing validation through fleet-wide data collection. This paper proposes a Smart Black Box (SBB) to augment traditional low-bandwidth data logging with value-driven high-bandwidth data capture. The SBB caches short-term histories of data as buffers through a deterministic Mealy machine based on data value and similarity. Compression quality for each frame is determined by optimizing the trade-off between value and storage cost. With finite storage, prioritized data recording discards low-value buffers to make room for new data. This paper formulates SBB compression decision making as a constrained multi-objective optimization problem with novel value metrics and filtering. The SBB has been evaluated on a traffic simulator which generates trajectories containing events of interest (EOIs) and corresponding first-person view videos. SBB compression efficiency is assessed by comparing storage requirements with different compression quality levels and event capture ratios. Performance is evaluated by comparing results with a traditional first-in-first-out (FIFO) recording scheme. Deep learning performance on images recorded at different compression levels is evaluated to illustrate the reproducibility of SBB recorded data.

研究动机与目标

• 为解决自动驾驶汽车在长期车队运行中产生的海量高带宽数据（高达1 GB/s）管理挑战。
• 开发一种数据记录系统，优先记录高价值、稀有或具有上下文重要性的事件，同时最小化存储成本。
• 确保压缩后的数据仍适用于基于深度学习的感知任务，如目标检测与语义分割。
• 设计一种有限存储量的数据管理策略，无论数据年龄如何，均丢弃最低价值的数据，以保留高价值事件数据。
• 评估SBB在存储效率与模型可复现性方面相较于传统FIFO与固定压缩方案的性能表现。

提出的方法

• SBB使用确定性Mealy机（DMM）根据数据帧的价值及其与邻近帧的相似性来追踪输入数据帧，将高价值或上下文相似的数据分组存储于短期缓冲区。
• 数据价值通过基于事件稀有性（如切入、急刹车）和与其他高价值帧时间接近度的新颖性度量计算。
• 每帧的压缩系数通过受限多目标优化确定，以在数据价值、存储成本与事件上下文连续性之间实现平衡。
• 系统采用长期优先队列管理有限的车载存储空间，当容量达到上限时，丢弃价值最低的缓冲帧。
• 使用高保真交通模拟器（TORCS）生成第一人称视角视频与轨迹数据，包含四个预定义的关注事件（EOIs）：切入、急刹车、冲突与碰撞。
• 通过对比SBB压缩数据与固定压缩基线（JPEG质量0.1与0.5）在Mask-RCNN与DeepLabV2上的深度学习推理结果，评估性能。

实验结果

研究问题

• RQ1 如何基于数据内在价值而非固定压缩比，高效记录并优先处理高带宽汽车传感器数据？
• RQ2 SBB基于价值的压缩在多大程度上保留了目标检测与语义分割任务中深度学习模型的可复现性？
• RQ3 SBB在事件捕获率与存储效率方面相较于传统FIFO与固定压缩记录方案表现如何？
• RQ4 动态压缩优化对自动驾驶车辆感知任务质量有何影响？
• RQ5 局部最优、以价值为导向的压缩策略是否能在长期数据保留与模型保真度方面优于全局优化与全缓冲策略？

主要发现

• SBB将总存储数据量减少至1778.91 MB，相比使用固定JPEG质量0.1的基线（1433.6 MB）降低了30%，同时保持了更高的事件捕获保真度。
• 在关注事件（EOI）帧上，SBB在急刹车事件中实现Mask-RCNN平均精度（AP^bb）为0.80，在冲突事件中也为0.80，优于基线1（0.32–0.38）与基线2（0.67–0.74）。
• 在语义分割任务中，SBB在冲突帧上实现像素IOU为0.95，显著高于基线1（0.79）与基线2（0.91），表明其在保留场景上下文方面表现更优。
• 在普通帧上，SBB性能低于基线（如AP^bb为0.47，而基线2为0.68），证实其通过在非关键数据上实施激进压缩以节省存储空间的策略。
• SBB的压缩策略在保持深度学习可复现性方面优于固定压缩基线，尤其在稀有事件中，得益于上下文感知的优先级排序与基于价值的压缩机制。
• DeeplabV2对JPEG压缩的鲁棒性优于Mask-RCNN，可能因其依赖全局图像特征而非局部对象特征。