DeepPicarMicro：将TinyML应用于自主信息物理系统
机器学习
2022-08-25 v1
摘要
在微小的微控制器单元（MCU）上运行深度神经网络（DNN）颇具挑战性，因其计算、内存与存储容量均受限。幸运的是，近期MCU硬件与机器学习软件框架的进步使得在现代化MCU上运行相当复杂的神经网络成为可能，由此催生了被广泛称为TinyML的新研究领域。然而，鲜有研究展示TinyML在信息物理系统（CPS）中的应用潜力。本文中，我们提出DeepPicarMicro，一个在Raspberry Pi Pico MCU上运行卷积神经网络（CNN）的小型自动驾驶RC车测试床。我们应用最先进的DNN优化，成功将曾用于驱动NVIDIA真实自动驾驶汽车的知名PilotNet CNN架构适配于该MCU。我们应用最先进的网络架构搜索（NAS）方法，寻找可端到端实时有效控车的进一步优化网络。通过广泛的系统性实验评估，我们观察到系统的准确率、延迟与控制性能之间存在有趣关系。据此，我们提出了一种联合优化策略，在网络架构搜索过程中同时考虑AI赋能的CPS模型的准确率与延迟。
引用
@article{arxiv.2208.11212,
title = {DeepPicarMicro: Applying TinyML to Autonomous Cyber Physical Systems},
author = {Michael Bechtel and QiTao Weng and Heechul Yun},
journal= {arXiv preprint arXiv:2208.11212},
year = {2022}
}
备注
RTCSA 2022