.png){kind=icon}
返回
Data-driven Adaptive ML-enabled Edge-cloud System Framework for Safe and Efficient Autonomous Systems
.png){kind=icon}
PRE
AI
DOI：10.13052/jwe1540-9589.2531.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。静态机器学习模型通常难以泛化到未见场景，特别是在边缘-云基础设施的延迟和资源约束下。已有学者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），以及具有动态机器学习模型切换的协同边缘-云运行时自适应。它支持黑盒系统，并通过情境性地利用适当的边缘和云资源来平衡安全性和效率。基于CARLA的边缘运行时组件的初步评估表明，与单模型ADSs相比，我们的框架在某些场景下可能改善安全-效率权衡。此外，使用MetaDrive仿真器进行的包含10万随机驾驶场景的广泛实验表明，自适应系统在将计算效率提高一倍的同时，安全性能提升了2.6%，相较于单模型基准。这些结果验证了框架的可扩展性，以及数据驱动的场景-系统映射对于自适应机器学习赋能的跨边缘-云环境自主系统的可行性。
Keyword:
ML-enabled systems
autonomous driving systems
edge-cloud computing
adaptive systems
simulation-based testing
期刊
J
IF:
1
论文数:
16
被引数:
356
机构
引用论文
暂无论文信息