Đồ án tốt nghiệp: Tính toán biên thông minh cho xe tự lái trong 6G

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG KHOA VIỄN THÔNG I - - ĐỒ ÁN TỐT NGHIỆP Đề Tài: Tính tốn biên thơng minh cho xe tự lái 6G Giảng viên hướng dẫn: LÊ TÙNG HOA Sinh viên thực hiện: Trần Thu Trang B17DCVT367 Hà Nội, tháng 5/2021 NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Vấn đề xe tự lái nghiên cứu nhiên dần chuyển đổi sang mạng 6G câu hỏi việc tính tốn biên mang tính chất phân tán giúp cho định tự hành xe xảy nhanh chóng giảm lượng tiêu thụ vấn đề hay nghiên cứu Sinh viên Trần Thu Trang lựa chọn đồ án “Tính tốn biên thơng minh cho xe tự lái 6G” để hiểu thêm vấn đề kể Thời gian làm đồ án ngắn nên sinh viên chưa thể tập trung cao nhiên phần thể chủ động việc nghiên cứu tìm hiểu vấn đề Đề nghị hội đồng chấm đồ án giáo viên phản biện cho sinh viên báo cáo hoàn thành đồ án tốt Điểm:… (Bằng chữ ) Ngày…tháng năm 2021 Giáo viên hướng dẫn NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Điểm:… (Bằng chữ ) Ngày…tháng năm 2021 Giáo viên hướng dẫn Đồ án tốt nghiệp đại học LỜI NÓI ĐẦU Hiện với phát triển mạnh mẽ cơng nghệ thơng tin vấn đề sử dụng hệ thống tự hành khơng cịn q xa lạ với Đặc biệt ngày nhiều lĩnh vực máy móc đời giúp cho sống người ngày hoàn thiện đầy đủ hơn, khơng thể kể đến số ngành xe tự lái, máy bay không người lái, y tế tự động Việc sử dụng hệ thống tự hành mang lại nhiều lợi ích cho người đảm bảo độ đáng tin cậy cho người sử dụng, dễ dàng sử dụng mà không cần học nhiều Tuy nhiên tính khó khăn thời gian thực phức tạp đặt toàn tảng vào cho máy móc gặp khơng khó khăn triển khai Xe tự động lái mục tiêu hướng tới tương lai khoa học kĩ thuật đặc biệt ngành công nghệ tơ giúp cho người dùng nhiều Vì nhà khoa học nghiên cứu xe tự lái nhiều hôm em xin trình bày phương pháp thơng minh cho xe tự lái việc dựa vào biên để tính tốn Mỗi khu vực địa lí gọi khu cục quản lí trạm gốc biên nhiều xe tự hành quản lí đám mây Xe biên liên lạc với để hạn chế độ trễ xuống mức thấp thay phải đưa thơng tin cảm biến đám mây để xử lí việc sử dụng biên để trao đổi thông tin đưa định nhanh chóng giúp giảm lượng lớn lượng tiêu thụ xe Vấn đề lợi ích việc đưa biên vào tính toán, cách xe tự hành vận hành thực đồ án để làm bật lên khó khăn thách thức xe tự lái Bố cục đồ án bao gồm chương Chương 1: Tổng quan 6G trình phát triển triển khai: Trình bày tổng quan hệ mạng từ 1G-6G bao phủ hoàn toàn ứng dụng tính phổ biến Cơ hội thách thức khó khăn phát triển Chương 2: Kết nối truyền thông ô tô không người lái cho 6G Giới thiệu xe không người lái, công nghệ cho 6G phát triển Chương 3: Tính tốn biên thơng minh cho xe tự lái Sử dung biên để tính tốn, q trình xe tự lái hoạt động Bằng cố gắng nỗ lực em hoàn thành xong đồ án tốt nghiệp Do có hạn chế mặt thời gian mức độ hiểu biết thân nên tránh khỏi thiếu sót q trình nghiên cứu Vì thế, em mong nhận lời góp ý bảo thêm thầy cô bạn để em có thêm kiến thức phục vụ cho học tập công việc sau i Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp đại học LỜI CẢM ƠN Kết đồ án tốt nghiệp đại học q trình tích lũy kiến thức sau 4,5 năm học Học Viện Công Nghệ Bưu Chính Viễn Thơng Để có kiến thức q giá em xin gửi lời cảm ơn chân thành sâu sắc tới tất thầy cô giáo, cán giảng viên dạy trường Học viện Cơng nghệ Bưu Viễn Thơng, đặc biệt thầy, cô khoa Viễn Thông 1, cảm ơn tất thầy cô năm qua dìu dắt, dạy dỗ để em có ngày báo cáo tốt nghiệp hôm Em xin gửi lời cảm ơn chân thành sâu sắc tới cô giáo, TS.– Lê Tùng Hoa giảng viên trực tiếp hướng dẫn em hoàn thành đồ án tốt nghiệp Cơ nhiệt tình bảo em cách tỉ mỉ cẩn thận Xin cám ơn gia đình, bạn bè thường xuyên quan tâm, giúp đỡ, chia sẻ kinh nghiệm, thời gian học tập, nghiên cứu suốt trình em thực làm đồ án tốt nghiệp Hà Nội, ngày tháng 12năm2021 Sinh viên thực Trần Thu Trang ii Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp đại học MỤC LỤC LỜI NÓI ĐẦU i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC HÌNH VẼ iv THUẬT NGỮ VIẾT TẮT v Chương I: Tổng quan 6G trình phát triển triển khai 1.1 Giới thiệu 6G trình phát triển từ 1G-6G 1.2 6G-kết nối thông minh bao phủ hoàn toàn 1.3 Cơ hội thách thức, ứng dụng 6G với lĩnh vực khoa học – Công nghệ 13 Chương II: Kết nối truyền thông ô tô không người lái cho 6G 17 2.1 Nguyên tắc kết nối mạng xe ô tô tự động lái 17 2.2 Các công nghệ quan trọng động lực cho 6G 18 Chương III: Tính tốn biên thơng minh cho xe tự lái 25 3.1 Giới thiệu chung biên cho xe tự lái 25 3.2 Các ứng dụng, lợi ích thách thức tính tốn biên thơng minh cho xe tự lái 28 3.2.1 Ứng dụng EI xe tự lái 28 3.2.2 Thách thức kĩ thuật 29 3.2.3 Lợi ích việc tính tốn biên 31 3.3 Các chức não mơ đun tính tốn biên thơng minh cho xe tự lái 32 3.3.1 Mô đun thu thập liệu 32 3.3.2 Mô đun học tập phân tán 38 Mạng Nơron (CNN) 39 3.3.3 Mô đun quy định chiến lược giảm tải 42 3.3.4 Mô đun suy luận trực tuyến 43 3.4 Trao quyền thông minh cho khung xe tự lái 43 3.4.1 Giảm tải trí thơng minh thơng qua Học tập đa tác vụ 43 3.4.2 Suy luận chung biên-xe 44 3.4.3 Nghiên cứu điển hình: Phát đối tượng trực quan hỗ trợ EI 45 KẾT LUẬN 51 TÀI LIỆU THAM KHẢO 52 iii Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp đại học DANH MỤC HÌNH VẼ Hình 1: Quá trình phát triển hệ mạng Hình 2: Mạng di độ Hình 31 Mơ hình tham số đầu vào đầu hệ thống 46 ng hệ thứ 2G Hình 3: Mạng di động hệ thứ 3G Hình 4: Mạng di động hệ thứ 4G Hình 5: Mơ hình thành phố siêu thông minh tảng hạ tầng 6G .10 Hình 6: Hệ thống hóa Robot thơng minh 11 Hình 7: Dịch vụ chăm sóc sức khỏe thông minh .12 Hình 8:Xe tơ tự lái 17 Hình 9:Trí tuệ nhân tạo AI 19 Hình 10: Bức xạ terahec giúp máy tính tăng tốc độ lên gấp 1000 lần .20 Hình 11: Cơng nghệ OWC .21 Hình 12:Kĩ thuật MIMO đa ăng-ten 21 Hình 13: Truyền thông lượng tử 22 Hình 14:Máy bay không người lái .23 Hình 15:Một tình minh họa xe tự lái 25 Hình 16:Cấu trúc điển hình xe tự lái 26 Hình 17: Hình Input đầu vào đầu phụ thuộc mô đun trình tính tốn biên xe tự lái 32 Hình 18: Các cảm biến sử dụng xe tự lái 33 Hình 19: Ví dụ k hàng xóm láng giềng 34 Hình 20Trường xe Lidar .34 Hình 21: Tọa độ LiDar so với tọa độ Descartes 35 Hình 22: Căn chỉnh ICP 35 Hình 23Trích suất mơ tả sử dụng lọc Hình ảnh gốc (bên trái) ứng dụng LoG (bên phải) hình ảnh có mô tả .37 Hình 24: Bộ mô tà SIFT 37 Hình 25: Hình minh họa bốn mô-đun chức 39 Hình 26: Mạng nơron thần kinh 40 Hình 27: Nút bỏ qua mạng nơ ron 42 Hình 28: Cơ cấu xe tự lái hai tầng 44 Hình 29: Cấu trúc thơng minh cạnh hai tầng minh họa cho hệ thống lái tự động 44 Hình 30: Một nghiên cứu điển hình khung lái xe tự hành hai tầng đề xuất 46 Hình 31: Một nghiên cứu điển hình khung lái xe tự hành hai tầng đề xuất MTL .48 Hình 32: Cấu trúc thông minh cạnh hai tầng minh họa cho hệ thống lái tự động 48 Hình 33: Tỉ lệ liệu xấu 49 iv Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp đại học THUẬT NGỮ VIẾT TẮT AV MEC Autonomous-driving Vehicle Multi-access Edge Computing Xe lái tự động Điện toán biên đa truy nhập MSE Mean Square Error Mẫu hồi quy trung bình bình phương SBB Smart Box Black Hộp đen thơng minh ECU Electronic Control Unit Bộ điều khiển xe hành trình CACC Cooperative Adaptive Cruise Control Bộ kiểm sốt hành trình EI Edge Intelligence Thơng minh biên ML Machine Learning Học máy DL Deep Learning Học sâu SNN Shallow Neural Network Mạng nơron nông (học máy) DNN Deep Neural Network Mạng nơron sâu MINIP Mixed-Integer Nonlinear Programming Lập trình phi tuyến hỗn hợp số nguyên BS Base Station Trạm gốc IoT Internet Of Thing Internet vạn vật AI Artificial Intelligence Trí tuệ nhân tạo MTL Multitask Learning Học tập đa nhiệm GPU Graphics Processing Unit Xử lí đồ họa MIMO Multiple In, Multiple Out Đa đầu vào đa đầu OWC Optical Wireless Communication Giao tiếp không dây quang học v Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp đại học G Generation Thế hệ CNN Control Neural Network Mạng nơ ron điều khiển (bộ não) mMTC Massive Machine Type Communications Giao tiếp kiểu máy khối lượng lớn eMBB Enhand Mobile Broad Band Băng thông rộng di động nâng cao vi Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Radar cảm biến đo tần số vô tuyến hoạt động với nguyên tắc tương tự lidar, đo chênh lệch thời gian tín hiệu gửi nhận Tín hiệu điện từ sóng phạm vi vi sóng thay tia sáng Nó đo tần số nhận sóng để xác định đối tượng Những ưu điểm việc sử dụng cơng nghệ radar khơng bị ảnh hưởng khí điều kiện, chẳng hạn mưa, tuyết bụi bước sóng khơng nằm quang phổ khả kiến Một điểm có lợi khác phạm vi, thay đổi tùy theo ứng dụng Ngồi ra, radar dễ dàng đo chuyển động vật thể xung quanh Tính cuối đặc biệt hữu ích nói đến lái xe đường bộ, nơi phương tiện di chuyển khác phải xem xét Mặt khác, độ xác tín hiệu radar có xu hướng thấp, lựa chọn tốt sử dụng kết hợp với công nghệ cảm biến khác GPS -Hệ tọa độ Hệ thống Định vị Tồn cầu cung cấp thơng tin vị trí vận tốc Hệ thống GPS chia thành ba phân đoạn: khơng gian, kiểm sốt người dùng cuối Cái tương ứng với chòm 24 vệ tinh chuyển động theo quỹ đạo cố định quanh Trái đất, vệ tinh truyền tín hiệu giải mã mơ-đun máy thu GPS Phân đoạn điều khiển đề cập đến trạm mặt đất giao tiếp điều khiển vệ tinh Họ sử dụng radar để đảm bảo vệ tinh định vị tốt Và cuối cùng, phân khúc người dùng, thu GPS xác định vệ tinh nhìn thấy nào, qua định vị nótrong lịng đất Loại tin nhắn đọc chứa thơng tin vệ tinh, vị trí, chênh lệch múi đầu thu vệ tinh 3.3.2 Mô đun học tập phân tán Học tập phân tán (ví dụ: học tập liên kết) thơng qua liệu khu vực giành quan tâm với sử dụng dịch vụ EI để xe tự lái với quyền riêng tư bảo quản Đặc biệt, học phân tán vận hành thiết bị tiên tiến dựa liệu thu thập họ Sau tham số mơ hình cục đào tạo tải lên máy chủ biên để tổng hợp Quy trình lặp lại nhiều lần mơ hình hội tụ Trong bối cảnh này, AV cộng tác đào tạo mơ hình chia sẻ sử dụng liệu di động tạo theo thời gian thực Mặc dù việc học phân tán thực biên lớn thiết bị tốn thời gian giới hạn băng thơng truyền thơng, hình dung học phân tán kiến trúc nhận thúc đẩy đáng kể việc tự chủ lái xe cơng nghệ truyền thơng tiên tiến sử dụng mạng B5G / 6G tương lai 38 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Dựa giai đoạn học tập, Mạng thần kinh chia thành ba cách tiếp cận khác nhau: 1) Học tập củng cố: Ít liên quan đến việc áp dụng lái xe tự hành dựa sách thưởng /phạt Độ xác mạng cải thiện có thành cơng xảy tức học cách mắc lỗi 2) Học tập có giám sát: Dựa việc tạo tập liệu với đối tượng phát dán nhãn, nhập vào NN để đào tạo Nhược điểm việc học có giám sát mạng không đạt hiệu suất tốt so với hình ảnh mà đào tạo 3) Học chuyển tiếp: Nó sử dụng mơ hình đào tạo trước, lớp chung chung, lớp cuối cùng, lớp cụ thể ứng dụng, bị xóa đào tạo lại Cái giảm đáng kể thời gian nguồn lực đào tạo Hình 25: Hình minh họa bốn mô-đun chức Mạng Nơron (CNN) CNN ví não người Nó nhận giá trị đầu vào đưa hàm đầu Đầu tiên bạn đào tạo với liệu cung cấp liệu cho CNN tạo mã gian lận để giúp bạn đưa giải vào lần sau, mã gian lận gọi trọng số.CNN cần đào tạo phù hợp để tạo đầu có ý nghĩa Có thể câu trả lời có khơng ví dụ có nên tăng tốc khơng đưa vào hình ảnh đầu vào Cách để tạo mã CNN lần cho trọng số ngẫu nhiên để bắt đầu Chúng ta đưa giá trị đầu vào hình ảnh voi đưa cho giá trị đầu câu trả lời có Sau CNN liên tục thay đổi trọng số để ứng với đầu vào bạn nhận đầu mong muốn (nên người ta gọi mã gian lận) 39 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Nhưng nhiên trình CNN học lúc đưa thông tin có mà gặp chướng ngại vật khác cây, tơ, Thì câu trả lời đầu CNN phải khơng q trình học tập đào tạo phải thực liên tục để mã trở nên thông minh Khi CNN bạn trở thành lớn sâu, Nó trở nên siêu giỏi mẫu mà bạn đào tạo trở nên khơng biết với liệu chưa gặp Vì cần cân tập tài liệu CNN học thứ cách cân không nên xảy học lệch để thơng minh xử lí tình tốt người Chúng ta cho CNN học từ nhiều góc vật thể để tăng cường đa dạng liệu gương phản xạ, phiên sáng tối hình ảnh, Điều khiến cho CNN trở nên xác Mục tiêu việc kết thúc khóa đào tạo giúp cân liệu bạn có CNN đào tạo nhận voi hình ảnh với độ xác vơ hợp lí trường hợp khơng nên nhận voi Mạng nơron (CNN) mơ hình tính tốn dựa mạng lưới sinh học tạo nên não Nó tập hợp tế bào thần kinh nhân tạo kết nối với qua liên kết có trọng số, thơng qua thơng tin gửi nhận Hình 26: Mạng nơron thần kinh Tương ứng: Trọng số w1 ,w ,w …, Các trọng số xác định tầm quan trọng đầu vào kích hoạt hàm xác định đầu perceptron Một chức kích hoạt tuyến tính trọng số tổng yếu tố đầu vào cộng với độ lệch sử dụng để thay đổi đường cong hàm 𝑦 = ∑𝑛𝑖=1(𝑥𝑖 𝑤𝑖 𝑥1 + 𝑏) (6) Tuy nhiên, hàm tuyến tính có hạn chế lớn mạng nơ-ron Khi nói đến đào tạo (nhân giống ngược), đạo hàm số khơng có mối quan hệ với 40 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thông minh cho xe tự lái đầu vào, mạng khơng thể quay lại điều chỉnh trọng số để cải thiện dự đốn Do đó, nhiều lớp với hàm kích hoạt tuyến tính kết hợp thành hàm nhất, đầu hàm tuyến tính đầu vào Vấn đề giải cách sử dụng hàm kích hoạt phi tuyến tính, khác tùy thuộc vào ứng dụng Giai đoạn đào tạo: Để phát lớp đối tượng đầu vào, việc huấn luyện mạng nơ-ron thiết xong Nó bao gồm hai bước 1) Truyền dịch chuyển tiếp, hình ảnh qua NN giống hình ảnh đầu vào làm, ban đầu trọng số ngẫu nhiên 2) Sự lan truyền ngược để tính tốn gradient điều chỉnh trọng số Huấn luyện kết thúc tối đa số lần lặp thực hàm chi phí giảm thiểu đến mức định ngưỡng cửa Hàm lỗi định nghĩa là: 𝑛 J(Ø) = ∑𝑘=0 𝐿𝑜𝑠𝑠(𝑓(𝑥 (𝑖) , Ø)𝑦 (𝑖) ) (7) N Tham số điều chỉnh (đối với trọng số: w1 , w2 …) (𝑥 (𝑖) , Ø) dự đoán đầu , 𝑦 (𝑖) đầu thực tế N số lần lặp, gọi kỷ nguyên Các hàm mát phổ biến hàm entropy chéo lỗi bình phương trung bình Đào tạo thực tập liệu hình ảnh Chúng phải chứa đối tượng đào tạo nhiều điều kiện khác ánh sáng, phối cảnh, khoảng cách, chất lượng hình ảnh, nền… 1) Tập huấn luyện: CNN sử dụng hình ảnh từ tập huấn luyện để điều chỉnh trọng lượng 2) Bộ xác thực: Thay tập nhiều lần, xác minh hình ảnh khác tập giúp cải thiện độ xác mạng nơron 3) Bộ thử nghiệm: Bộ hình ảnh cuối người dùng sử dụng để trực quan hóa kết Một điểm cần xem xét đào tạo CNN trang bị nhiều, có nghĩa nhiều lần lặp lại thực trình đào tạo, trở nên xác sau vượt qua số giới hạn Kết xác thực bắt đầu hiệu trang bị mức bắt đầu xuất hình cho thấy so sánh mạng lưới thần kinh trước sau bỏ học 41 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Hình 27: Nút bỏ qua mạng nơ ron Các số đánh giá Việc đánh giá tập liệu thực dựa tập liệu xác nhận Sẽ hữu ích bạn hiểu cách độ xác CNN đo để chọn CNN đáp ứng mục đích Có hai cách để đo độ xác tùy thuộc vào loại mạng nơ-ron Đầu tiên độ xác trung bình trung bình (AP) để phân loại CNN Các mạng đào tạo PASCAL VOC sử dụng số liệu Công thức trường hợp đơn giản, tính trung bình độ xác thu cho lớp mà đào tạo Độ xác trung bình cho lớp là: AP = N ∑𝑁 𝑖=1 𝐴𝑃𝑖 (8) Cái thứ hai độ xác trung bình trung bình (AP) để phát đối tượng địa hóa CNN Điều có nghĩa mạng dự đốn hộp giới hạn cho đối tượng mà phát COCO liệu đo phương pháp Có số bước cần thực để nhận giá trị AP 𝐴𝑃𝑖 = Trues( số dự đốn đúng) Trues+Fale (tổng số dự đốn) (9) 3.3.3 Mơ đun quy định chiến lược giảm tải Giảm tải định chiến lược thời điểm quan trọng cửa sổ quan trọng để đạt an toàn tự trị mạng lưới lái xe Theo truyền thống, định chiến lược giảm tải việc đưa bao gồm hai khía cạnh: định giảm tải kết hợp phân bổ nguồn lực Quyết định chiến lược giảm tải việc tạo xây dựng vấn đề tối ưu hóa với số hiệu suất độ trễ mức tiêu thụ lượng Vì tình tự 42 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái lái chung, chiến lược giảm tải định tạo sion liên quan đến việc giải lập trình số nguyên hỗn hợp vấn đề thường khó NP khó giải thơng qua kỹ thuật tốn học thơng thường gần thời gian thực Một cách tiếp cận đầy hứa hẹn áp dụng học sâu để giải vấn đề loại vấn đề tối ưu hóa cách đào tạo học sâu mơ hình để tìm hiểu ánh xạ đầu vào vấn đề thước đo giải pháp tối ưu 3.3.4 Mô đun suy luận trực tuyến Là bước cuối vòng lặp học tập biên (như hiển thị Hình 28), thao tác lái xe tạo mạng trực tuyến mô-đun suy luận dựa liệu đầu vào Trên thứ tay, chế độ suy luận cục (tức là, suy luận thực phương tiện giao thông), hiệu suất suy luận chủ yếu phụ thuộc khả tính tốn xe, vốn bị hạn chế điện Mặt khác, giới thiệu suy luận biên cung cấp dịch vụ có độ trễ thấp cho AV cách cung cấp liệu vào mơ hình DL đào tạo triển khai máy chủ biên Tuy nhiên, biên suy luận phải đối mặt với nhiều thách thức, ví dụ: quyền riêng tư liệu khả tính tốn hạn chế, khó chịu hồn tồn lưu trữ mơ hình ML đào tạo lớn 3.4 Trao quyền thông minh cho khung xe tự lái 3.4.1 Giảm tải trí thơng minh thơng qua Học tập đa tác vụ Trong hệ thống xe tự lái dựa EI, xây dựng định giảm tải nhị phân (tức giảm tải hay không) phân bổ tài nguyên tính tốn (biểu thị tài ngun tính tốn phân bổ cho phương tiện) vấn đề lập trình phi tuyến số nguyên hỗn hợp (MINLP), mà nói chung NP-Khó khó giải Trong cụ thể số yếu tố (chẳng hạn số lượng phương tiện, khả tính tốn phương tiện, điều kiện kênh hàng tấn.) thay đổi theo thời gian, thư giãn thơng thường thủ tục tối ưu hóa dựa phải thực lặp lặp lại việc giải MINLP tham số thay đổi Do đó, độ phức tạp tính tốn cao phát sinh số lần lặp lại giải pháp thường mức tối ưu không mở rộng quy mô Điều ngày quan tâm mô hình B5G/ 6G IoT tính đến Để đáp ứng thách thức tới, cách tiếp cận đầy hứa hẹn để áp dụng học sâu để giải loại NP-khó vấn đề tối ưu hóa cách đào tạo mơ hình học sâu để học ánh xạ tham số đầu vào vấn đề giải pháp tối ưu Trong này, ta xây dựng dựa khung công tác học tập nhiệm vụ (MTL) để suy giải pháp hiệu với độ xác cao, minh họa Hình 28 43 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Hình 28: Cơ cấu xe tự lái hai tầng Đặc biệt, mơ hình mạng nơron sâu thiết kế đào tạo ngoại tuyến BS để có mối quan hệ ánh xạ từ thông số đầu vào đến giải pháp đầu Vì vậy, nhận yêu cầu giảm tải từ AV, BS trực tiếp suy định chiến lược giảm tải tối ưu gần thời gian thực cách thực tính tốn chuyển tiếp qua MTL mơ hình khơng lặp lại, Hình 28 Hình 29: Cấu trúc thông minh cạnh hai tầng minh họa cho hệ thống lái tự động 3.4.2 Suy luận chung biên-xe 44 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Trong hệ thống xe tự lái, suy luận trực tuyến phân loại thành ba chế độ: chế độ suy luận cục bộ, chế độ suy luận biên chế độ suy luận chung Cho suy luận cục bộ, phương tiện tự thực suy luận Hiệu suất suy luận chủ yếu phụ thuộc vào khả tính tốn (tài ngun tính tốn lưu trữ không gian) phương tiện, nhiên, thường hạn chế Đối với suy luận cạnh biên, liệu thô phải tải lên tới máy chủ biên qua đường lên không dây Chúng ta lưu ý tồn hai mối nguy tiềm ẩn liên quan đến cách tiếp cận Một bảo mật liệu liệu tải lên đầy đủ người phục vụ Khác độ trễ giao tiếp đáng kể giới thiệu sau nhiều phương tiện tải lên liệu thơ với kích thước số lượng thông qua kênh đường lên giới hạn băng thông Được thúc đẩy thách thức hai suy luận trước chế độ, suy luận chung phương tiện cạnh tranh trở nên đầy hứa hẹn chia mô hình mạng nơ ron sâu (DNN) đào tạo thành hai phần: lớp mạng nơron nông (SNN) bên xe lớp DNN cạnh bên Vì vậy, loại xe cần up thông số trung gian đến máy chủ biên để giảm độ trễ đầu cuối với suy luận chung Trong thực tế, mức tăng độ trễ giới hạn đạt hiệu ứng khuếch đại liệu, cho biết kích thước liệu đầu trung gian nơron sâu mạng lớn liệu đầu vào Trong ngữ cảnh này, chọn điểm tách thích hợp tránh hiệu ứng khuếch đại liệu trở nên quan trọng kích thước trọng số thơng số tải lên nhỏ nhiều so với kích thước liệu cách thiết kế mơ hình mạng nơron cách thích hợp 3.4.3 Nghiên cứu điển hình: Phát đối tượng trực quan hỗ trợ EI Trong phần này, xem xét phát đối tượng trực quan dựa hệ thống lái tự động Do hạn chế máy tính nguồn ngân sách lượng eo hẹp phương tiện tự lái, chúng thường cần giúp đỡ từ BS để cộng tác xử lý tác vụ nhạy cảm với độ trễ Kể từ định chiến lược giảm tải làm với việc giảm thiểu tiêu thụ lượng AVs độ trễ hình thành vấn đề MINLP, NP-Thật khó, thiết kế mạng nơ-ron truyền nguồn cấp liệu dựa MTL mơ hình cách học ánh xạ end-to-end xác suất tham số đầu vào giải pháp đầu Đặc biệt, định giảm tải nhị phân coi đa lớp vấn đề phân loại với mát entropy chéo phân bổ tài nguyên tính toán máy chủ biên xem xét vấn đề hồi quy với lỗi bình phương trung bình (MSE) thua Trong trình đào tạo MTL, trình tối ưu hóa Adam sử dụng để giảm thiểu tổn thất tổng có trọng số, χ c χ l biểu thị trọng lượng chúng, tương ứng Cần lưu ý kích thước mơ hình MTL đào tạo thích hợp nhỏ KB, máy chủ biên có đủ khơng gian lưu trữ để tiết kiệm mơ hình MTL đào tạo, chí lưu vào nhớ đệm trước nhớ máy chủ biên để thực suy luận hiệu Với mơ hình MTL đào tạo ngoại tuyến 45 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Hình 30: Một nghiên cứu điển hình khung lái xe tự hành hai tầng đề xuất 3.5 Kết minh họa Bài toán đưa nhằm giải vấn đề : Năng lượng bị hạn chế AV, Độ trễ từ AV-BS lớn Nên em đưa mơ hình để phân tích tham số đầu vào đầu hệ thống: Hình 31 Mơ hình tham số đầu vào đầu hệ thống 46 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Dưới kết minh họa em tham khảo báo tác động số mẫu đào tạo việc định giảm tải nhị phân phân bổ tài ngun tính tốn hồi quy MSE thể hình 31.Ngồi em so sánh thuật toán học tập đa nhiệm MTL thuật toán ràng buộc SBB Cuối hình 33 với lượng lớn hình ảnh liệu xấu tức nhiều hình ảnh chụp với chất lượng xấu phụ thuộc chi phí có trọng số biến thiên nào? Trong tiểu mục này, trước tiên em đánh giá Hình 31 tác động số lượng mẫu đào tạo độ xác suy luận mơ hình MTL, χ c = χ r = Độ xác suy luận định nghĩa tỷ lệ số dự đoán vào tổng số dự đoán Chúng ta tạo × 104 liệu mẫu cách duyệt qua kết hợp nhị phân định giảm tải phân bổ tài nguyên tính tốn tỷ lệ với thuật tốn tìm kiếm đầy đủ Trong Hình 32, so sánh độ xác mơ hình MTL đề xuất với nhánh khơng gian thơng thường thuật tốn ràng buộc (sBB), χ c = χ r = số AV lớn hơn tỷ lệ phần trăm mẫu đào tạo mơ hình MTL Sau đó, chúng tơi điều tra Hình 33 tác động "xấu" tỷ lệ liệu (được biểu thị η) tổng chi phí có trọng số (được định nghĩa tổng trọng số độ trễ mức tiêu thụ lượng tất AV) sử dụng chiến lược suy luận khác hệ thống lái xe 47 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Hình 31: Một nghiên cứu điển hình khung lái xe tự hành hai tầng đề xuất MTL MSE sai số bình phương trung bình cơng cụ ước tính (Nó làm hàm lỗi bình phương trung bình) MSE đề cập đến giá trị trung bình chênh lệch bình phương tham số dự đốn tham số quan sát Hình 32: Cấu trúc thơng minh cạnh hai tầng minh họa cho hệ thống lái tự động 48 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái Trong hình 32, số lượng AV so với độ xác đạt thuật tốn sBB mơ hình học đa tác vụ minh họa, tương ứng, tỷ lệ phần trăm mẫu đào tạo mơ hình học tập đa tác vụ Hình 33: Tỉ lệ liệu xấu Hình 33: Tỷ lệ liệu khơng hợp lệ (η) so với tổng chi phí tổng có trọng số cách sử dụng ba loại phương pháp suy luận khác nhau, số lượng AV 2, công suất truyền AV 10 W, tần số CPU AV máy chủ biên tương ứng GHz 10 GHz Chúng quan sát từ Hình 31 độ xác suy luận định giảm tải nhị phân (tức giảm tải hay không) thấp số lượng mẫu đào tạo nhỏ tăng lên với tỷ lệ phần trăm mẫu đào tạo, MSE hồi quy cho thấy xu hướng ngược lại Lý đào tạo mẫu khơng đủ, mơ hình MTL học số tính phân biệt, khó thực suy luận cách xác Khi số lượng mẫu đào tạo tăng lên, mơ hình MTL trích xuất thêm tính trừu tượng kích hoạt mơ hình MTL để tìm hiểu thêm ánh xạ tham số đầu vào giải pháp đầu vấn đề MINLP cơng thức Từ Hình 32, quan sát thấy mơ hình MTL ln hoạt động tốt thuật tốn sBB độ xác suy luận mức tăng cải thiện số AVs tăng lên So với thuật tốn sBB, gần Mơ hình MTL cải thiện 120% số lượng AV Đáng ý, MSE mơ hình MTLthậm chí cịn nhỏ nửa thuật tốn sBB Hơn nữa, sử dụng học tập đa tác vụ, tiêu tốn thời gian giải MINLP nhỏ phần nghìn lược đồ sBB số lượng AV thay đổi từ đến Hình 33 cho thấy tỷ lệ liệu "xấu" (biểu 49 Trần Thu Trang – B17DCVT367 Đồ án tốt nghiệp Đại học Chương III: Tính tốn biên thơng minh cho xe tự lái thị η) trở nên lớn (ví dụ: nhiều hình ảnh chụp với chất lượng thấp), điều dẫn đến tăng tổng trọng số chi phí sử dụng ba phương pháp suy luận Cụ thể, η mối quan tâm Tương đối nhỏ, ví dụ, η