EdgeLoc：面向基础设施辅助自动驾驶实时定位的通信自适应并行系统
分布式、并行与集群计算
2024-06-11 v2 网络与互联网体系结构
摘要
本文提出了 EdgeLoc，一种用于自动驾驶的基础设施辅助实时定位系统，旨在解决传统定位方法与深度学习方法之间的不兼容性。该系统建立在机器人操作系统（ROS）之上，结合了传统方法的实时性能与深度学习方法的高精度。该系统利用路侧单元（RSU）的边缘计算能力进行精确定位，以增强基于实时视觉里程计的车载定位。EdgeLoc 是一个并行处理系统，采用了一种提出的感知不确定性的位姿融合方案。它通过在线学习实现通信自适应性，并通过基于窗口的检测来应对波动。此外，它通过利用车-基础设施协同推理的自动分割以及用于决策的在线分布学习，实现了最优延迟和最大改进。即使使用最基础的端到端深度神经网络进行定位估计，EdgeLoc 也将实时局部视觉里程计的定位误差降低了 67.75%，将非实时协同推理的误差降低了 29.95%，相比卡尔曼滤波降低了 30.26%。最后，准确率与延迟的转换在实验中得到了验证，并在实际的蜂窝网络上进行了整体实验。该系统已在 https://github.com/LoganCome/EdgeAssistedLocalization 开源。
引用
@article{arxiv.2405.12120,
title = {EdgeLoc: A Communication-Adaptive Parallel System for Real-Time Localization in Infrastructure-Assisted Autonomous Driving},
author = {Boyi Liu and Jingwen Tong and Yufan Zhuang},
journal= {arXiv preprint arXiv:2405.12120},
year = {2024}
}