CODEI: Resource-Efficient Task-Driven Co-Design of Perception and Decision Making for Mobile Robots Applied to Autonomous Vehicles

要約

このペーパーでは、安全性、効率、コスト、エネルギー、計算要件、重量などのリソースの最小限の使用法のバランスをとるためのハードウェアとソフトウェアの最適な選択に焦点を当てることにより、モバイルロボットを設計するための統合の課題と戦略について説明します。
サンプリングベースのモーションプランナーの認識要件を定量化するために、占有クエリの概念を導入することにより、意思決定における認識とモーション計画の相互作用を強調します。
センサーとアルゴリズムのパフォーマンスは、幾何学的関係、オブジェクト特性、センサー解像度、環境条件などのさまざまな要因にわたる偽陰性率（FPR）および偽陽性率（FPR）を使用して評価されます。
知覚要件を知覚パフォーマンスと統合することにより、効率的なセンサーとアルゴリズムの選択と配置のために、整数線形プログラミング（ILP）アプローチが提案されています。
これは、ロボットボディ、モーションプランナー、認識パイプライン、コンピューティングユニットを含む共同設計最適化の基礎を形成します。
このフレームワークは、モバイルロボットの共同設計問題をCodeiとして解決し、具体化されたインテリジェンスの共同設計の略です。
都市シナリオ向けの自律車両（AV）の開発に関するケーススタディは、デザイナーに実用的な情報を提供し、複雑なタスクがリソースの需要をエスカレートすることを示しています。
この研究は、リソースの優先順位付けがセンサーの選択に影響を与えることを示しています。カメラは費用対効果の高い軽量設計に好まれ、LIDARセンサーはより良いエネルギーと計算効率のために選択されます。

要約(オリジナル)

This paper discusses the integration challenges and strategies for designing mobile robots, by focusing on the task-driven, optimal selection of hardware and software to balance safety, efficiency, and minimal usage of resources such as costs, energy, computational requirements, and weight. We emphasize the interplay between perception and motion planning in decision-making by introducing the concept of occupancy queries to quantify the perception requirements for sampling-based motion planners. Sensor and algorithm performance are evaluated using False Negative Rates (FPR) and False Positive Rates (FPR) across various factors such as geometric relationships, object properties, sensor resolution, and environmental conditions. By integrating perception requirements with perception performance, an Integer Linear Programming (ILP) approach is proposed for efficient sensor and algorithm selection and placement. This forms the basis for a co-design optimization that includes the robot body, motion planner, perception pipeline, and computing unit. We refer to this framework for solving the co-design problem of mobile robots as CODEI, short for Co-design of Embodied Intelligence. A case study on developing an Autonomous Vehicle (AV) for urban scenarios provides actionable information for designers, and shows that complex tasks escalate resource demands, with task performance affecting choices of the autonomy stack. The study demonstrates that resource prioritization influences sensor choice: cameras are preferred for cost-effective and lightweight designs, while lidar sensors are chosen for better energy and computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google