CADENCE：ナビゲーションと計算効率のための文脈適応型深度推定

Abstract

遠隔環境に展開される自律走行車は、一般に組込みプロセッサ、コンパクトなバッテリー、および軽量なセンサーに依存します。これらのハードウェアの制約は、環境の堅牢な表現を導出する必要性と衝突しており、知覚のために計算量の大きい深層ニューラルネットワークを実行することがしばしば求められます。この課題に対処するために、本論文ではCADENCEという適応型システムを提案します。CADENCEは、ナビゲーションの要求や環境の文脈に応じて、スリム化可能（slimmable）な単眼深度推定ネットワークの計算複雑度を動的にスケーリングします。知覚の忠実度と操舵（作動）要件の間のループを閉じることで、CADENCEはミッションクリティカルな場合にのみ高精度な計算を使用します。評価は、Microsoft AirSimとNVIDIA Jetson Orin Nanoを統合した、公開済みのオープンソーステストベッド上で実施します。最先端の静的アプローチと比較して、CADENCEはセンサー取得回数、電力消費、および推論の遅延をそれぞれ9.67%、16.1%、74.8%低減します。これらの結果は、エネルギー消費全体を75.0%削減しつつ、ナビゲーション精度を7.43%向上させることを示しています。