Enhancing the Safety of Autonomous Driving Systems via AoI-Optimized Task Scheduling
Notice bibliographique
Résumé
An Autonomous Driving System (ADS) uses various sensors and deep learning to improve navigation and control tasks. Maintaining road safety requires that these tasks are seamlessly synchronized and consistently utilize the most recent sensing data. This synchronization poses challenges due to 1) various sensing periods across different sensors, 2) the interdependency of tasks, and 3) constraints on computational resources. Our research pioneers the use of the Age of Information (AoI) to measure task scheduling performance within ADS. With theoretical analysis, we disclose that optimizing AoI simultaneously minimizes response time and maximizes throughput. We then offer a formal definition of the AoI-centric task scheduling problem. Given the NP-hardness of this problem, we design a 4-approximation algorithm. To enhance the practicality of our solutions, we propose an extended formulation optimizing AoI-centric scheduling over a specified cycle and correspondingly develop a reinforcement learning-based approach. Experimental simulations, benchmarked against the Apollo driving system, demonstrate that our AoI-optimized task scheduling outperforms Apollo's scheduling mechanisms in terms of AoI, throughput, and worst-case response time. Notably, our proposed solution operating on four cores yields a maximum AoI lower than Apollo's schedulers running on eight cores.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».