SAGE：一种用于高效端到端自动驾驶汽车控制的拆分架构方法
偏微分方程分析
2021-07-29 v2
摘要
自动驾驶汽车（AV）有望彻底改变交通并显著提高道路安全性。然而，这些好处并非没有代价；自动驾驶汽车需要大型深度学习（DL）模型和强大的硬件平台才能实时可靠运行，需要几百瓦到一千瓦的功率。这种功耗会大幅缩短车辆的行驶里程并影响排放。为了解决这个问题，我们提出了 SAGE：一种将深度学习架构中关键耗能模块选择性卸载到云端的方法论，旨在优化边缘能耗同时满足实时延迟约束。此外，我们利用头部网络蒸馏（HND）在深度学习架构中引入高效瓶颈，以最小化卸载的网络开销成本，且模型性能几乎没有下降。我们使用 Nvidia Jetson TX2 和工业标准的 Nvidia Drive PX2 作为自动驾驶汽车边缘设备来评估 SAGE，并证明我们的卸载策略对于 3G、4G LTE 和 WiFi 技术上的各种深度学习模型和互联网连接带宽都是实用的。与仅边缘计算相比，对于分别配备一个低分辨率摄像头、一个高分辨率摄像头和三个高分辨率摄像头的自动驾驶汽车，SAGE 分别平均降低了 36.13%、47.07% 和 55.66% 的能耗。与直接摄像头卸载相比，SAGE 还将上传数据大小最多减少了 98.40%。
引用
@article{arxiv.2107.10896,
title = {Yamabe systems and optimal partitions on manifolds with symmetries},
author = {Mònica Clapp and Angela Pistoia},
journal= {arXiv preprint arXiv:2107.10896},
year = {2021}
}