A3D: Adaptive, Accurate, and Autonomous Navigation for Edge-Assisted Drones

要約

自律型ドローンの飛行の安全性と効率を確保するには、正確なナビゲーションが最も重要です。
最近の研究では、視覚認識の優れた予測能力を考慮して、ディープ ニューラル ネットワークを使用してドローンのナビゲーションを強化し始めています。
ただし、既存のソリューションは、オンボード リソースが限られているためにその場でドローン上で DNN 推論タスクを実行するか、計算を外部サーバーにオフロードするため、ネットワーク遅延が大きくなる可能性があります。
画像送信設定とオフロードの決定を共同で最適化し、それらをオンザフライで適応させることを考慮した研究はほとんどありません。
本稿では、低推論遅延、高い予測精度、長距離飛行を実現するために、タスクの実行場所、入力解像度、画像圧縮率を動的に調整できるエッジサーバー支援ドローンナビゲーションフレームワーク「A3D」を提案します。
具体的には、まずドローンナビゲーション用に最先端の畳み込みニューラルネットワークを強化し、上記の目標を効果的に達成できる最適化目標として「ナビゲーションの品質」と呼ばれる新しい指標を定義します。
次に、ドローン側で深層強化学習ベースのニューラル スケジューラを設計します。このスケジューラに対して、状態特徴を再形成して学習能力を向上させる情報エンコーダが考案されています。
複数のドローンの同時サービスをさらにサポートするために、ネットワーク対応のリソース割り当てアルゴリズムを開発することでエッジ サーバーの設計を拡張し、ドローンの需要に合わせてコンテナ化されたリソースをプロビジョニングできるようにします。
最終的には、現実的なデバイスを使用して概念実証プロトタイプを実装し、現実世界のキャンパスシーンでそのパフォーマンスを検証するだけでなく、AirSim での徹底的な評価のためのシミュレーション環境も検証します。
広範な実験結果により、A3D は非適応ソリューションと比較して、エンドツーエンドの遅延を 28.06% 削減し、飛行距離を最大 27.28% 延長できることが示されています。

要約(オリジナル)

Accurate navigation is of paramount importance to ensure flight safety and efficiency for autonomous drones. Recent research starts to use Deep Neural Networks to enhance drone navigation given their remarkable predictive capability for visual perception. However, existing solutions either run DNN inference tasks on drones in situ, impeded by the limited onboard resource, or offload the computation to external servers which may incur large network latency. Few works consider jointly optimizing the offloading decisions along with image transmission configurations and adapting them on the fly. In this paper, we propose A3D, an edge server assisted drone navigation framework that can dynamically adjust task execution location, input resolution, and image compression ratio in order to achieve low inference latency, high prediction accuracy, and long flight distances. Specifically, we first augment state-of-the-art convolutional neural networks for drone navigation and define a novel metric called Quality of Navigation as our optimization objective which can effectively capture the above goals. We then design a deep reinforcement learning based neural scheduler at the drone side for which an information encoder is devised to reshape the state features and thus improve its learning ability. To further support simultaneous multi-drone serving, we extend the edge server design by developing a network-aware resource allocation algorithm, which allows provisioning containerized resources aligned with drones’ demand. We finally implement a proof-of-concept prototype with realistic devices and validate its performance in a real-world campus scene, as well as a simulation environment for thorough evaluation upon AirSim. Extensive experimental results show that A3D can reduce end-to-end latency by 28.06% and extend the flight distance by up to 27.28% compared with non-adaptive solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google