MARC

 008250123s2024        us                              c    eng  d
■001000017161302
■00520250211151337
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382783307
■035    ▼a(MiAaPQ)AAI31241961
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aHsiao,  Yu-Shun.▼0(orcid)0000-0002-2580-9872
■24510▼aSafety-Aware  System  Optimization  for  Autonomous  Machines
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a131  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Reddi,  Vijay  Janapa.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aAutonomous  machines  such  as  vehicles,  drones,  and  robotic  manipulators  promise  to  transform  the  world  by  unleashing  humans  from  repetitive,  dangerous,  and  labor-intensive  tasks.  However,  their  widespread  deployment  requires  advances  in  safety,  real-time  performance,  and  resilience.  This  thesis  tackles  these  key  challenges  through  end-to-end  system  optimization  that  maintains  safety  while  improving  performance  and  fault  tolerance.  We  optimize  the  entire  Perception-Planning-Control  (PPC)  computing  pipeline  that  takes  in  sensor  readings  and  output  control  commands.  First,  this  thesis  develops  a  model  to  quantify  the  perception  processing  rate  requirements  for  safe  autonomous  driving  in  complex  scenarios,  connecting  the  varying  real-time  latency  requirements  with  the  operating  scenarios.  Second,  we  accelerate  the  time-consuming  3D  mapping  in  perception.  A  specialized  accelerator  is  designed  that  achieves  substantially  higher  throughput  and  energy  efficiency  over  a  CPU,  enabling  real-time  perception  for  3D  mapping.  Third,  we  accelerate  the  computationally  expensive  optimization-based  motion  planning  algorithms  with  a  variable  precision  search  method  that  reduces  memory  bandwidth  pressure  without  sacrificing  positional  and  orientational  precision.  Lastly,  we  assess  autonomous  machines'  fault  tolerance  characteristics  against  real-world  noises  and  errors  to  generate  reliable  control  commands.  We  propose  a  fault  characterization  framework  that  evaluates  the  impact  of  silent  data  corruptions  (SDCs)  on  application-level  metrics.  To  mitigate  SDCs,  we  propose  lightweight  anomaly  detection  techniques  to  recover  failures  in  the  computing  pipeline  with  insignificant  overhead.  This  dissertation  enables  the  development  of  safe,  real-time,  and  resilient  autonomous  machines.  The  contributions  chart  a  path  toward  robust  deployment  of  autonomous  machines  that  can  transform  society.
■590    ▼aSchool  code:  0084.
■650  4▼aRobotics
■650  4▼aComputer  science
■653    ▼aAutonomous  systems
■653    ▼aComputer  architecture
■653    ▼aSilent  data  corruptions
■653    ▼aReal-time  performance
■690    ▼a0771
■690    ▼a0800
■690    ▼a0984
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Computer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161302▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books