BERRY：面向基于强化学习的自主系统之比特错误鲁棒性与高能效
机器人学
2023-07-20 v1 硬件体系结构
摘要
自主系统，如无人机（UAV），有望运行复杂的强化学习（RL）模型，以在严苛的机载重量与功耗约束下执行完全自主的定位-导航-授时任务。我们观察到，降低机载工作电压可提升计算与飞行任务两方面的能效，然而也可能导致片上比特错误，从而损害任务安全性与性能。为此，我们提出 BERRY，一种用于提升基于 RL 的自主系统之比特错误鲁棒性与能效的鲁棒学习框架。BERRY 支持在无人机上离线及机载的鲁棒学习，并首次展示了无人机上鲁棒低压运行的实用性，从而在计算级运行与系统级飞行质量两方面带来高节能。我们在 72 个自主导航场景上进行了大量实验，证明 BERRY 在环境、无人机、自主策略、工作电压与故障模式间具有良好的泛化能力，并持续提升了鲁棒性、效率与任务性能，实现了高达 15.62% 的飞行能耗降低、18.51% 的成功任务数提升，以及 3.43 倍的处能耗降低。
引用
@article{arxiv.2307.10041,
title = {BERRY: Bit Error Robustness for Energy-Efficient Reinforcement Learning-Based Autonomous Systems},
author = {Zishen Wan and Nandhini Chandramoorthy and Karthik Swaminathan and Pin-Yu Chen and Vijay Janapa Reddi and Arijit Raychowdhury},
journal= {arXiv preprint arXiv:2307.10041},
year = {2023}
}
备注
Accepted in 2023 60th IEEE/ACM Design Automation Conference (DAC)