BERRY: Bit Error Robustness for Energy-Efficient Reinforcement Learning-Based Autonomous Systems

要約

無人航空機 (UAV) などの自律システムは、複雑な強化学習 (RL) モデルを実行して、厳しい搭載重量と電力制約内で完全に自律的な位置ナビゲーション時間タスクを実行することが期待されています。
搭載動作電圧を下げると、計算と飛行ミッションの両方のエネルギー効率が向上する可能性がありますが、ミッションの安全性とパフォーマンスに悪影響を与えるオンチップのビット障害が発生する可能性もあります。
この目的を達成するために、RL 対応自律システムのビット エラー耐性とエネルギー効率を向上させる堅牢な学習フレームワークである BERRY を提案します。
BERRY は、オフラインと UAV 搭載の両方で堅牢な学習をサポートし、コンピューティング レベルの動作とシステム レベルの品質の両方で高いエネルギー節約につながる UAV での堅牢な低電圧動作の実用性を初めて実証します。
-フライト。
私たちは 72 の自律航法シナリオで広範な実験を実施し、BERRY が環境、UAV、自律性ポリシー、動作電圧、障害パターン全体でうまく一般化し、堅牢性、効率、ミッション パフォーマンスを一貫して向上させ、飛行エネルギーを最大 15.62% 削減することを実証しました。
成功したミッション数が % 増加し、処理エネルギーが 3.43 倍削減されました。

要約(オリジナル)

Autonomous systems, such as Unmanned Aerial Vehicles (UAVs), are expected to run complex reinforcement learning (RL) models to execute fully autonomous position-navigation-time tasks within stringent onboard weight and power constraints. We observe that reducing onboard operating voltage can benefit the energy efficiency of both the computation and flight mission, however, it can also result in on-chip bit failures that are detrimental to mission safety and performance. To this end, we propose BERRY, a robust learning framework to improve bit error robustness and energy efficiency for RL-enabled autonomous systems. BERRY supports robust learning, both offline and on-board the UAV, and for the first time, demonstrates the practicality of robust low-voltage operation on UAVs that leads to high energy savings in both compute-level operation and system-level quality-of-flight. We perform extensive experiments on 72 autonomous navigation scenarios and demonstrate that BERRY generalizes well across environments, UAVs, autonomy policies, operating voltages and fault patterns, and consistently improves robustness, efficiency and mission performance, achieving up to 15.62% reduction in flight energy, 18.51% increase in the number of successful missions, and 3.43x processing energy reduction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google