EnergyShield：面向能效的可证明安全神经网络控制器卸载框架
系统与控制
2023-02-14 v1 分布式、并行与集群计算
机器学习
机器人学
系统与控制
摘要
为缓解基于神经网络（NN）的自动驾驶系统（ADS）的高能耗需求，我们考虑将 NN 控制器从 ADS 卸载至附近的边缘计算基础设施，同时保证形式化的车辆安全属性。具体而言，我们提出 EnergyShield 框架，其将控制器“屏蔽器（shield）”重新用作 ADS 车辆的低功耗运行时安全监视器。具体地，EnergyShield 中的屏蔽器不仅提供安全干预，还提供在车辆安全受损前可容忍的边缘响应时间的形式化、基于状态的量化。利用 EnergyShield，ADS 可通过无线方式将 NN 计算卸载至边缘计算机以节省能耗，同时在接收到响应前仍保持形式化的安全保证（车载硬件提供即时故障安全）。为验证 EnergyShield 的益处，我们在 Carla 仿真环境中实现并测试了它。结果表明，与车载 NN 评估相比，EnergyShield 在各类无线条件和边缘延迟下保持了车辆安全操作，并实现了显著的节能：能耗降低 24% 至 54%。
引用
@article{arxiv.2302.06572,
title = {EnergyShield: Provably-Safe Offloading of Neural Network Controllers for Energy Efficiency},
author = {Mohanad Odema and James Ferlez and Goli Vaisi and Yasser Shoukry and Mohammad Abdullah Al Faruque},
journal= {arXiv preprint arXiv:2302.06572},
year = {2023}
}
备注
Accepted to be published in the proceedings of the 14th ACM/IEEE International Conference on Cyber-Physical Systems (ICCPS 2023)