RED: A Systematic Real-Time Scheduling Approach for Robotic Environmental Dynamics

要約

インテリジェント ロボットは、動く機械要素や物体が多く存在する動的で予測不可能な環境を効果的に移動できるように設計されています。
移動する障害物を含むこのような環境によって引き起こされるダイナミクスは、実行時に計算需要 (新しいタスクの作成など) やワークロードの構造 (タスク間の優先順位の制約など) を容易に変更する可能性があり、それによってシステム全体のパフォーマンスに悪影響を及ぼす可能性があります。
厳しいリソースとリアルタイムの制約の下で動作するロボットでマルチタスク推論が期待される場合、この課題はさらに大きくなります。
このような課題に対処するために、リソースが限られたロボット システムでマルチタスクのディープ ニューラル ネットワーク ワークロードをサポートするように設計された体系的なリアルタイム スケジューリング アプローチである RED を導入します。
リアルタイムの制約を遵守しながら、ロボット環境ダイナミクス (RED) を適応的に管理するように設計されています。
RED の中核には、中間期限割り当てポリシーを採用する期限ベースのスケジューラがあり、複雑で予測不可能な環境によって引き起こされるワークロードの変更と非同期推論を効果的に管理します。
このスケジューリング フレームワークは、メモリ ボトルネックを回避するためにマルチタスク ロボット システムで一般的に利用される MIMONet (多入力多出力ニューラル ネットワーク) の柔軟な展開も容易にします。
RED は、このスケジューリング フレームワークに基づいて、MIMONet の独自の特性である重み共有アーキテクチャを認識し、活用しています。
この機能をさらに活用して活用するために、RED は斬新で効果的なワークロードの改良と再構築のプロセスを考案しました。
このプロセスにより、スケジューリング フレームワークと MIMONet の互換性が保証され、効率が最大化されます。

要約(オリジナル)

Intelligent robots are designed to effectively navigate dynamic and unpredictable environments laden with moving mechanical elements and objects. Such environment-induced dynamics, including moving obstacles, can readily alter the computational demand (e.g., the creation of new tasks) and the structure of workloads (e.g., precedence constraints among tasks) during runtime, thereby adversely affecting overall system performance. This challenge is amplified when multi-task inference is expected on robots operating under stringent resource and real-time constraints. To address such a challenge, we introduce RED, a systematic real-time scheduling approach designed to support multi-task deep neural network workloads in resource-limited robotic systems. It is designed to adaptively manage the Robotic Environmental Dynamics (RED) while adhering to real-time constraints. At the core of RED lies a deadline-based scheduler that employs an intermediate deadline assignment policy, effectively managing to change workloads and asynchronous inference prompted by complex, unpredictable environments. This scheduling framework also facilitates the flexible deployment of MIMONet (multi-input multi-output neural networks), which are commonly utilized in multi-tasking robotic systems to circumvent memory bottlenecks. Building on this scheduling framework, RED recognizes and leverages a unique characteristic of MIMONet: its weight-shared architecture. To further accommodate and exploit this feature, RED devises a novel and effective workload refinement and reconstruction process. This process ensures the scheduling framework’s compatibility with MIMONet and maximizes efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google