Moving Forward: A Review of Autonomous Driving Software and Hardware Systems

要約

自動運転システムは、交通事故の大幅な削減、交通安全の強化、交通の流れの最適化、渋滞の緩和を可能にする可能性があるため、近年の研究開発の主な焦点となっています。
これらの即時的な利点を超えて、排出ガスと燃料消費量を削減することで持続可能な輸送を促進するという長期的な利点も提供します。
さまざまな条件下で高度な自律性を実現するには、環境を包括的に理解する必要があります。
これは、機械学習アルゴリズムに大きく依存するソフトウェア スタックを通じて、カメラ、レーダー、LiDAR などのセンサーからのデータを処理することによって実現されます。
これらの ML モデルは大量の計算リソースを必要とし、大規模なデータ移動を伴うため、ハードウェアが効率的かつ高速に実行することが課題となります。
この調査では、まず、入力センサー、一般的に使用されるデータセット、シミュレーション プラットフォーム、ソフトウェア アーキテクチャを含む自動運転システムの主要コンポーネントの概要を説明し、強調します。
次に、これらのソフトウェア システムの実行をサポートする基盤となるハードウェア プラットフォームを調査します。
自動運転システムとその増大する需要、特により高いレベルの自律性についての包括的なビューを提示することで、スケールアップされた既製の GPU/CPU ベースのシステムのパフォーマンスと効率を分析し、計算コンポーネント内の課題を強調します。
。
ソフトウェア スタックにおけるさまざまな計算要件とメモリ要件を示す例を通じて、より専門化されたハードウェアとメモリに近い処理によって、より低いレイテンシでより効率的な実行がどのように可能になるかを示します。
最後に、現在の傾向と将来の需要に基づいて、自動運転用の将来のハードウェア プラットフォームがどのようなものになるかを推測して締めくくります。

要約(オリジナル)

With their potential to significantly reduce traffic accidents, enhance road safety, optimize traffic flow, and decrease congestion, autonomous driving systems are a major focus of research and development in recent years. Beyond these immediate benefits, they offer long-term advantages in promoting sustainable transportation by reducing emissions and fuel consumption. Achieving a high level of autonomy across diverse conditions requires a comprehensive understanding of the environment. This is accomplished by processing data from sensors such as cameras, radars, and LiDARs through a software stack that relies heavily on machine learning algorithms. These ML models demand significant computational resources and involve large-scale data movement, presenting challenges for hardware to execute them efficiently and at high speed. In this survey, we first outline and highlight the key components of self-driving systems, covering input sensors, commonly used datasets, simulation platforms, and the software architecture. We then explore the underlying hardware platforms that support the execution of these software systems. By presenting a comprehensive view of autonomous driving systems and their increasing demands, particularly for higher levels of autonomy, we analyze the performance and efficiency of scaled-up off-the-shelf GPU/CPU-based systems, emphasizing the challenges within the computational components. Through examples showcasing the diverse computational and memory requirements in the software stack, we demonstrate how more specialized hardware and processing closer to memory can enable more efficient execution with lower latency. Finally, based on current trends and future demands, we conclude by speculating what a future hardware platform for autonomous driving might look like.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google