Bandwidth Allocation for Cloud-Augmented Autonomous Driving

要約

自律車両（AV）制御システムは、知覚や計画などのタスクについてMLモデルにますます依存しています。
現在の慣行は、リアルタイムのレイテンシの制約と信頼性の懸念により、モデルのサイズと精度を制限するため、これらのモデルを車のローカルハードウェアで実行することです。
以前の作業では、クラウド内でより大きなモデルを実行して、より速いクラウドランタイムに依存してセルラーネットワークの遅延を相殺することで現在のシステムを増強できることが観察されています。
ただし、以前の作業では、重要な実際的な制約：限られた細胞帯域幅を説明していません。
典型的な帯域幅レベルでは、クラウド増強AVモデルの提案された手法がデータを転送するのに時間がかかりすぎるため、主にオンカーモデルに戻り、正確な改善が行われないことを示しています。
この作業では、Cloud-Augmented AVモデルを実現するには、この希少な帯域幅のインテリジェントな使用、つまりタスク全体で帯域幅を慎重に割り当て、複数のデータ圧縮とモデルオプションを提供する必要があることを示します。
これをリソース割り当ての問題として策定して、自動車のユーティリティを最大化し、Waymo Open Datasetからの運転シナリオで平均モデルの精度を最大15パーセントポイント増加させるシステム\ sysNameを提示します。

要約(オリジナル)

Autonomous vehicle (AV) control systems increasingly rely on ML models for tasks such as perception and planning. Current practice is to run these models on the car’s local hardware due to real-time latency constraints and reliability concerns, which limits model size and thus accuracy. Prior work has observed that we could augment current systems by running larger models in the cloud, relying on faster cloud runtimes to offset the cellular network latency. However, prior work does not account for an important practical constraint: limited cellular bandwidth. We show that, for typical bandwidth levels, proposed techniques for cloud-augmented AV models take too long to transfer data, thus mostly falling back to the on-car models and resulting in no accuracy improvement. In this work, we show that realizing cloud-augmented AV models requires intelligent use of this scarce bandwidth, i.e. carefully allocating bandwidth across tasks and providing multiple data compression and model options. We formulate this as a resource allocation problem to maximize car utility, and present our system \sysname which achieves an increase in average model accuracy by up to 15 percentage points on driving scenarios from the Waymo Open Dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google