利用边缘与云实现自动驾驶中基于 V2X 的实时目标检测
计算机视觉与模式识别
2023-08-11 v1 人工智能
分布式、并行与集群计算
机器学习
网络与互联网体系结构
摘要
环境感知是自动驾驶的关键要素，因为感知模块接收的信息会影响核心驾驶决策。自动驾驶实时感知的一个突出挑战在于寻找检测质量与延迟之间的最佳权衡。自动驾驶车辆实时感知必须考虑计算与功耗的双重约束。较大的目标检测模型往往产生最佳结果，但运行时也更慢。由于最精确的检测器无法在本地实时运行，我们研究了将计算卸载到资源约束较少的边缘和云平台的可能性。我们创建了一个合成数据集来训练目标检测模型并评估不同的卸载策略。利用真实硬件和网络仿真，我们比较了预测质量与端到端延迟之间的不同权衡。由于通过网络发送原始帧会带来额外传输延迟，我们还探索了使用不同质量的 JPEG 和 H.265 压缩，并测量其对预测指标的影响。我们表明，具有适当压缩的模型可在云上实时运行，同时优于本地检测性能。
引用
@article{arxiv.2308.05234,
title = {Leveraging the Edge and Cloud for V2X-Based Real-Time Object Detection in Autonomous Driving},
author = {Faisal Hawlader and François Robinet and Raphaël Frank},
journal= {arXiv preprint arXiv:2308.05234},
year = {2023}
}