NaviSplit：効率的な分散自律航行のための動的マルチブランチ分割DNN

要旨: 軽量な自律型無人航空機（UAV）は、幅広い用途の中核となる存在として登場しつつあります。しかし、自律航法には、制御ロジックのために、カメラやLiDARなどのセンサ観測の入力を処理する知覚アルゴリズム、とりわけ深層ニューラルネットワーク（DNN）の実装が必要です。このようなアルゴリズムの複雑さは、計算能力、エネルギー、メモリ、実行時間といった点でのこれらデバイスの厳しい制約と衝突します。本論文では、分散的かつ動的なマルチ分岐ニューラルモデルを組み込んだ、軽量な航法フレームワークとしては初めての NaviSplit を提案します。その中核となるのは、圧縮ポイントでDNNを分割することであり、これにより2つのモデル部分が得られます。（1）車両上で実行され、センサからの知覚を部分的に処理してコンパクト化するヘッドモデル。（2）相互接続された計算可能デバイス上で実行され、コンパクト化された知覚の残りを処理し、航法コマンドを推論するテールモデル。先行研究と異なり、NaviSplit フレームワークには、チャネル使用量を最小化しつつ航法ネットワークを効率的にサポートするために、特定のヘッドモデルを動的に選択するニューラルゲートが含まれます。実装では、知覚モデルが、堅牢なシミュレータである Microsoft AirSim を用いてドローンが取得した単眼RGB画像から、2Dの深度マップを抽出します。結果として、NaviSplit の深度モデルは、非常に少量のデータ（1.2〜18 KB）をエッジサーバへ送信しながら、抽出精度 72〜81% を達成することを示します。また、NaviSplit で利用されているニューラルゲートを用いると、より大きな静的ネットワークと比較して航法精度はわずかに高く（0.3%）、一方でデータレートは 95% 大幅に削減されます。筆者らの知る限り、これは自律航法のために分割DNNに基づく動的マルチ分岐モデルの最初の実例です。