π-Edge: A Low-Power Edge Computing System for Real-Time Autonomous Driving Services

fellow的新作,学习一下。

自动驾驶场景

DragonFly Pod,包含了实时的SLAM,实时的障碍检测(基于CV方法),实时的用户语音交互

这三个任务可能就要去边缘计算了

挑战: 把不同的任务,动态分发给不同的计算单元;因为有三个计算密集的任务,所以需要一个轻量级的操作系统?;

贡献:

1,为了充分利用低功耗边缘计算系统的异构计算资源,我们开发了运行时层以及调度算法,以将自主驾驶计算任务映射到异构计算单元,以实现最佳性能和能效。

2,其次,用于机器人工作负载的现有操作系统(例如,机器人操作系统(ROS))通常会带来非常高的通信和计算开销,因此不适合计算资源和能耗受限的系统。 为了管理多种自动驾驶服务及其通信,我们为低功耗边缘计算系统开发了一种极为轻巧的操作系统π-OS,并证明了π-OS的有效性。

3, 第三,有时将计算从边缘客户端卸载到云可以提高能源效率,但是是否卸载以及如何卸载仍然是一个未解决的问题。 为了解决此问题,我们开发了边缘客户端云协调器,以将任务动态卸载到云中,以优化边缘计算系统的能耗。

贡献的1,3是好理解的,是具体的事情,调度算法,2,为什么要开发一个操作系统,,不太了解背景。

π-Edge: A Low-Power Edge Computing System for Real-Time Autonomous Driving Services

 

 SEC2:背景介绍。

这个技术栈还挺好的。

他们用了自己以前研发的VIO SLAM, 物体识别用了Single Shot Multi-Box DETECTOR, 没太听说过。

π-Edge: A Low-Power Edge Computing System for Real-Time Autonomous Driving Services

 

 系统框架图。还是比较清楚的。

 

任务调度,在异构设备里是NP问题?所以没有最优解?

没有看到更细节的东西啊,比如SLAM拆分成了什么样的TASK?

任务调度这里提出了一个算法,我没什么背景具体算法就先不看了。

操作系统的部分先掠过。

第三部分边缘云,有点迷失了我,emmmm,车辆首先是搭载了传感设备,上文提到的有多种异构计算资源的似乎也是车;在这里提到的边缘云,似乎是个边缘设备。

好吧,和我下意识的理解不太一样。

 

因为,调度算法这边没咋看懂,所以暂时帮助不大。

上一篇:《论文阅读》Joint 3D Instance Segmentation and Object Detection for Autonomous Driving


下一篇:自动驾驶3D物体检测综述 3D Object Detection for Autonomous Driving: A Survey