.png){kind=icon}
返回
Adaptive ML-Enabled Edge-Cloud System Framework for Safe and Efficient Autonomous Systems
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-11233-0_1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）赋能系统（如自动驾驶系统（ADSs））在多样化环境中面临满足安全性和性能要求的挑战，尤其是在资源受限、延迟敏感的边缘-云设置中。这些挑战通常源于机器学习模型的局限性，包括对未见条件的泛化能力差。已提出使用机器学习系统切换的自适应算法，但现有方法常缺乏泛化性、对常见黑盒系统的支持以及对分布式边缘-云资源的有效利用。本文提出了一种新颖的自适应机器学习赋能边缘-云系统框架以解决这些不足。我们的框架结合了基于云的预运行时分析，利用仿真进行行为理解和场景-系统映射，以及协作式边缘-云运行时自适应，具有动态机器学习模型切换功能。它支持黑盒系统，并通过根据情况利用适当的边缘和云资源来平衡安全性和效率。初步基于CARLA的边缘运行时组件评估表明，与单模型ADSs相比，我们的框架在某些场景下有潜力改善安全效率权衡。这项工作为设计自适应边缘-云系统提供了见解，并指出了未来方向，包括鲁棒云分析和有效的边缘-云协作。研究发现，这种边缘-云方法可以促进自适应机器学习系统在真实世界自动驾驶应用中的可行性和可靠性。
Keyword:
ML-Enabled Systems
Autonomous Driving Systems
Edge-Cloud Computing
Adaptive Systems
Simulation-Based Testing
期刊
机构
引用论文
A Survey on Optimization Techniques for Edge Artificial Intelligence (AI)边缘人工智能 (AI) 优化技术综述.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏TransFuser: Imitation With Transformer-Based Sensor Fusion for Autonomous DrivingTransFuser: 基于变压器的传感器融合模拟自动驾驶
OAAI
OAAI分享收藏分享收藏Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware Model Switching通过QoS感知模型切换实现自适应性机器学习赋能系统OAAI
OAAI分享收藏
查看更多内容