Energy-Efficient Autonomous Driving with Adaptive Perception and Robust Decision
Created by
- Haebom
Category
Empty
저자
Yuyang Xia, Zibo Liang, Liwei Deng, Yan Zhao, Han Su, Kai Zheng
개요
자율 주행 기술의 에너지 소비 문제를 해결하기 위해, 데이터 관리 및 튜닝 관점에서 지각 최적화 전략을 활용하는 에너지 효율적인 자율 주행 프레임워크 EneAD를 제안한다. EneAD는 다양한 계산량을 가진 여러 지각 모델을 관리하고, 동적으로 실행 프레임 속도를 조절하며, 베이지안 최적화를 기반으로 한 전이 가능한 튜닝 방법을 사용하여 낮은 계산량과 원하는 정확도를 유지한다. 또한, 다양한 교통 시나리오에 적응하기 위해 경량 분류 모델을 제안하고, 강화 학습 기반의 의사 결정 모델과 정규화 항을 설계하여 주행 안정성을 향상시킨다. 실험 결과, EneAD는 지각 소비를 1.9배에서 3.5배까지 줄이고, 주행 거리를 3.9%에서 8.5%까지 향상시켰다.
시사점, 한계점
•
에너지 효율적인 자율 주행 프레임워크 제시: 지각 모듈의 최적화와 의사 결정 모듈의 안정성 향상을 통해 에너지 소비 절감 및 주행 성능 개선을 달성했다.
•
다양한 모델 관리 및 동적 조절: 계산량과 정확도 간의 균형을 맞추기 위해 여러 지각 모델을 관리하고 실행 프레임 속도를 조절하는 적응형 시스템을 구현했다.
•
베이지안 최적화를 활용한 튜닝 방법: 전이 가능한 튜닝 방법을 통해 효율적인 모델 최적화를 수행했다.
•
강화 학습 기반의 의사 결정 모델: 강화 학습과 정규화 항을 통해 주행 안정성을 확보했다.
•
경량 분류 모델: 다양한 교통 시나리오에 적응하기 위한 경량 분류 모델을 제안했다.
•
제한적인 주행 거리 향상: 주행 거리 향상이 3.9%에서 8.5%로 제한적이다.
•
복잡한 시스템 구현: 여러 모듈의 통합으로 시스템 구현 및 관리가 복잡할 수 있다.
•
데이터 의존성: 베이지안 최적화 및 경량 분류 모델의 성능이 훈련 데이터에 의존적이다.
