MARC

 008250123s2024        us                              c    eng  d
■001000017163804
■00520250211152755
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384455943
■035    ▼a(MiAaPQ)AAI31555772
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aKalra,  Sukrit.
■24510▼aProgramming  Abstractions  &  Systems  for  Autonomous  Vehicles
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a174  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  A.
■500    ▼aAdvisor:  Stoica,  Ion.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aAutonomous  Vehicles  (AVs)  have  the  potential  to  revolutionize  transportation  through  their  significant  safety,  environmental  and  mobility  benefits.  However,  despite  their  benefits  and  significant  investment  spanning  over  a  decade,  AVs  remain  restricted  to  locations  with  favorable  driving  conditions,  due  to  the  complications  arising  from  the  long-tail  of  complex  driving  scenarios.  Most  research  has  sought  to  address  this  critical  challenge  through  the  design  of  robust  algorithms  and  machine  learning  (ML)  models  that  underpin  the  various  decision  making  components  of  a  modern  AV  computational  pipeline.  In  contrast,  there  has  been  relatively  little  focus  on  the  software  systems  that  must  orchestrate  an  efficient,  real-time  execution  of  these  components  on  the  AV's  constrained,  heterogeneous  hardware.This  dissertation  examines  the  often-overlooked  design  of  such  software  systems  and  presents  a  clean  slate  approach  to  developing  AVs.  We  introduce  D3,  a  novel  programming  model  for  AVs  that  enables  the  computation  to  proactively  adjust  to  dynamically-varying  deadlines  and  models  missed  deadlines  as  exceptions.  We  realize  D3  in  our  open-source  system,  ERDOS,  whose  novel  extensions  to  concepts  from  streaming  data  systems  enable  it  to  speculatively  execute  computation  and  enforce  deadlines  between  an  arbitrary  set  of  events.  ERDOS's  efficient  execution  of  AV  pipelines  is  further  enabled  by  two  key  scheduling  contributions  of  this  dissertation:  SuperServe  and  DAGSched.  SuperServe  unlocks  a  resource-efficient  serving  of  the  entire  range  of  ML  models  spanning  the  latency-accuracy  tradeoff  space,  enabling  AV  pipelines  to  quickly  adjust  to  dynamically-varying  deadlines.  In  addition,  DAGSched  efficiently  multiplexes  the  available  compute  resources  in  an  AV  amongst  the  decision  making  components,  with  an  aim  to  maximize  the  ability  of  the  AV  pipeline  to  meet  dynamically-varying  deadlines.  Finally,  we  address  the  crucial  lack  of  AV  benchmarks  by  providing  the  first  completely  open-source  AV  pipeline,  Pylot,  and  use  it  to  evaluate  the  positive  effects  of  D3  and  ERDOS  on  the  driving  safety  of  AVs.  Together,  these  systems  span  the  entire  workflow  of  developing  and  evaluating  AVs,  and  we  believe  are  crucial  to  bridging  the  gap  towards  achieving  "fully  autonomous  vehicles".
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■653    ▼aAutonomous  vehicles
■653    ▼aDistributed  systems
■653    ▼aMachine  learning
■653    ▼aResource  management
■653    ▼aScheduling
■690    ▼a0984
■690    ▼a0454
■690    ▼a0800
■71020▼aUniversity  of  California,  Berkeley▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-03A.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163804▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서