机构名称：
¥ 1.0
摘要 - 神经网络（NNS）现在广泛用于自主系统中的感知处理。来自摄像机和激光镜等传感器的数据，在由NNS处理后，构成了自治功能的核心的饲料控制算法。此类NN在图形处理单元（GPU）上实现，现代GPU可以分配到多个虚拟机中，每个机器都实现了单独的NN。给定一个具有多个NN的自主系统，每个NN应该如何尺寸和实施它们的GPU进行最佳分区？在这项工作中，我们研究了多种GPU分区技术，其目的是最佳和安全的系统级控制性能。I. I Tratsuction的进步深度学习技术导致自主系统中神经网络（NNS）的广泛部署。由于其任务关键性，验证驾驶系统通常需要NN组件的高精度。但是，达到最新准确性通常会导致计算和记忆需求增加。尽管努力压缩NNS提高效率（例如，[1]），在官能系统的内在空间，能源和成本限制中满足准确性要求的挑战仍然很大。此外，此类系统的总体性能，包括感应，决策和驱动，不仅受到其NN组件的准确性，而且还受到控制系统对NN输出不确定性的敏感性的影响。这项工作的贡献：我们解决自主系统中NNS的资源分配，以优化安全性和控制性能。，深度估计）。由于NN估计错误的影响在整个系统上都有不同，因此对整体系统性能进行优化需要一种细微的方法来分配NN，优先考虑关键功能，同时为他人分配足够的资源。具体来说，我们专注于用于状态估计的NN（例如由于可以对GPU和现代GPU进行分配，因此分配问题会减少到NN的尺寸和GPU分区。我们提出了三种用于NN尺寸的启发式方法，并表现出与详尽的搜索相比，其综合努力明显少得多。据我们所知，没有先前的工作将自主系统的控制性能与NNS的尺寸或GPU分配有关。相关工作：嵌入式NNS的记忆，计算和能量需求的选择存在广泛的文献。值得注意的策略包括开发较小，更有效的NNS [1]，[2]和实施早期出口
自治系统的神经架构大小
主要关键词
相关文件推荐
