Towards Accurate and Efficient 3D Object Detection for Autonomous Driving: A Mixture of Experts Computing System on Edge
Created by
Haebom
저자
Linshen Liu, Boyan Su, Junyue Jiang, Guanlin Wu, Cong Guo, Ceyu Xu, Hao Frank Yang
개요
본 논문은 자율주행 자동차를 위한 최적의 컴퓨팅 시스템인 Edge-based Mixture of Experts (MoE) Collaborative Computing (EMC2)를 제시합니다. EMC2는 저지연 및 고정확도의 3D 객체 탐지를 동시에 달성하기 위해 시나리오 인식 MoE 아키텍처를 도입합니다. LiDAR와 카메라 데이터를 효과적으로 융합하여 스파스 3D 점 구름과 밀집 2D 이미지의 상호 보완적인 강점을 활용하여 강력한 다중 모달 표현을 생성합니다. 다중 스케일 전처리를 수행하는 적응형 다중 모달 데이터 브리지와 객체 가시성 및 거리에 따라 전문가 모델에 기능을 동적으로 분산하는 시나리오 인식 라우팅 메커니즘을 사용합니다. 또한 하드웨어 리소스 활용 최적화 및 계산 그래프 단순화를 포함한 공동 하드웨어-소프트웨어 최적화를 통합하여 리소스 제약이 있는 에지 장치에서 효율적이고 실시간 추론을 보장합니다. KITTI 및 nuScenes 데이터셋에서 15개의 기준 방법과 비교하여 정확도 향상 및 추론 속도 향상을 보였습니다.
시사점, 한계점
•
시사점:
◦
저지연 및 고정확도의 3D 객체 탐지를 동시에 달성하는 자율주행 자동차를 위한 효율적인 컴퓨팅 시스템을 제시합니다.
◦
LiDAR와 카메라 데이터의 효과적인 융합을 통해 강력한 다중 모달 표현을 생성합니다.
◦
시나리오 인식 MoE 아키텍처와 적응형 다중 모달 데이터 브리지, 하드웨어-소프트웨어 최적화를 통해 에지 장치에서 실시간 추론을 가능하게 합니다.
◦
KITTI 및 nuScenes 데이터셋에서 기존 방법 대비 성능 향상을 입증합니다.
◦
오픈소스 구현을 제공합니다.
•
한계점:
◦
특정 하드웨어 플랫폼(Jetson)에 대한 최적화에 초점을 맞추었으므로 다른 플랫폼으로의 일반화 가능성에 대한 추가 연구가 필요할 수 있습니다.
◦
실제 도로 환경에서의 광범위한 테스트가 추가적으로 필요합니다.
◦
시나리오 인식 라우팅 메커니즘의 복잡성으로 인해 시스템의 실시간 성능에 영향을 미칠 수 있습니다.
◦
에지 장치의 제한된 자원을 고려했지만, 더욱 복잡한 시나리오나 고해상도 데이터에 대한 확장성에 대한 추가적인 연구가 필요합니다.
