CODEI：面向移动机器人的资源高效任务驱动感知与决策协同设计及其在自动驾驶中的应用

论文讨论了移动机器人的集成挑战与设计策略，重点在于任务驱动的软硬件最优选择，以在安全性、效率和资源（成本、能耗、计算需求、重量）最小化之间取得平衡。通过引入占用查询概念来量化基于采样运动规划器的感知需求，强调了感知与运动规划在决策中的相互作用。利用误检率（FPR）和漏检率（FNR）在几何关系、目标属性、传感器分辨率和环境条件等多种因素下评估传感器与算法性能。通过将感知需求与感知性能相结合，提出了一种整数线性规划（ILP）方法，用于高效地进行传感器与算法的选择与部署。这构成了涵盖机器人本体、运动规划器、感知流水线与计算单元的协同设计优化的基础。本文将求解移动机器人协同设计问题的框架称为 CODEI，即具身智能协同设计（Co-design of Embodied Intelligence）。以开发面向城市场景的自动驾驶汽车（AV）为案例研究，为设计者提供了可操作的信息，并表明复杂任务会提升资源需求，任务性能影响自主栈的选择。研究表明资源优先级影响传感器选择：相机适用于成本效益高且轻量化的设计，而激光雷达传感器则在能耗与计算效率方面更优。