MARC

 008260126s2025        us                              c    eng  d
■001000017359389
■00520260202105112
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297601789
■035    ▼a(MiAaPQ)AAI32237190
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aSchafhalter,  Peter.
■24510▼aTowards  Cloud-Assisted  Autonomous  Driving
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a129  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  A.
■500    ▼aAdvisor:  Goldberg,  Ken.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aAutonomous  Vehicles  (AVs)  have  the  potential  to  reshape  transportation  by  eliminating  human  error  from  driving,  improving  traffic  flow,  and  providing  mobility  to  millions  of  people  with  disabilities.  However,  deploying  AVs  across  a  wide  range  of  operating  environments  poses  significant  challenges  due  to  the  need  to  make  highly  accurate  decisions  within  strict  deadlines.  The  competing  demands  for  high  accuracy  and  rapid  response  times  form  a  fundamental  tradeoff  that  AV  systems  must  navigate  to  ensure  safety:  more  accurate  AI  models  exhibit  larger  response  times  whereas  less  accurate  models  are  typically  faster.In  this  work,  we  address  the  critical  lack  of  techniques  to  reason  about  the  tradeoff  between  response  time  and  accuracy  and  propose  several  approaches  that  exploit  this  tradeoff  to  improve  the  accuracy  of  AV  decision-making.  We  introduce  Pylot,  an  open-source  AV  platform  which  provides  a  testbed  for  studying  the  effects  of  this  tradeoff  on  end-to-end  driving  performance.  To  maximize  the  accuracy  of  decisions  under  the  dynamically-varying  deadlines  imposed  the  environment,  we  propose  the  Dynamic  Deadline-Driven  (D3)  execution  model  which  centralizes  deadline  management.  We  implement  D3  in  ERDOS,  our  high-performance  streaming  system,  which  reduces  collisions  by  68%  over  prior  execution  models.To  address  the  compute  constraints  of  AV  hardware,  we  turn  the  cloud  to  access  orders  of  magnitude  more  processing  power.  Speculative  Cloud  Execution  augments  AVs  with  cloud  resources  and  strictly  improves  safety  despite  relying  on  an  unreliable  network.  TURBO  enables  cloud-assisted  execution  of  multiple  services  on  a  single  AV  by  optimally  allocating  bandwidth  to  maximize  vehicle-wide  accuracy.We  believe  that  integrating  the  cloud  into  autonomous  driving  has  the  potential  to  improve  safety  and  enable  the  deployment  of  AVs  across  a  range  of  challenging  driving  environments.  To  that  effect,  the  contributions  of  Pylot,  D3,  ERDOS,  Speculative  Cloud  Execution,  and  TURBO  demonstrate  the  advantages  of  integrating  the  cloud  into  autonomous  driving  and  form  a  foundation  for  building  cloud-assisted  AVs.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aTransportation
■653    ▼aAutonomous  vehicles
■653    ▼aCloud-assisted  driving
■653    ▼aSelf-driving  cars
■690    ▼a0984
■690    ▼a0464
■690    ▼a0709
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-04A.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359389▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서