Các chỉ số đánh giá
Việc đánh giá tập dữ liệu được thực hiện dựa trên tập dữ liệu xác nhận. Sẽ rất hữu ích nếu bạn hiểu cách độ chính xác của CNN được đo để chọn một CNN đáp ứng mục đích của nó. Có hai cách chính để đo độ chính xác tùy thuộc vào loại mạng nơ-ron. Đầu tiên là độ chính xác trung bình trung bình (AP) để phân loại CNN. Các mạng được đào tạo về PASCAL VOC sử dụng số liệu này. Công thức trong trường hợp này rất đơn giản, tính trung bình độ chính xác thu được cho mỗi lớp mà nó được đào tạo.
Độ chính xác trung bình cho mỗi lớp sẽ là:
AP = 1
N∑𝑁𝑖=1𝐴𝑃𝑖 (8)
Cái thứ hai là độ chính xác trung bình trung bình (AP) để phát hiện đối tượng và bản địa hóa CNN. Điều này có nghĩa là mạng dự đốn các hộp giới hạn cho các đối tượng mà nó đang phát hiện. COCO bộ dữ liệu được đo bằng phương pháp này. Có một số bước cần thực hiện để nhận giá trị AP.
𝐴𝑃𝑖= Trues( số dự đoán đúng)
Trues+Fale (tổng số dự đoán) (9)
3.3.3 Mô đun quy định chiến lược giảm tải
Giảm tải ra quyết định chiến lược trong thời điểm quan trọng cửa sổ là rất quan trọng để đạt được an toàn trong tự trị mạng lưới lái xe. Theo truyền thống, quyết định chiến lược giảm tải việc đưa ra bao gồm hai khía cạnh: quyết định giảm tải và kết hợp phân bổ nguồn lực.
Quyết định chiến lược giảm tải việc tạo ra có thể được xây dựng như một vấn đề tối ưu hóa với chỉ số hiệu suất về độ trễ và mức tiêu thụ năng lượng. Vì các tình huống tự
lái chung, chiến lược giảm tải quyết định tạo sion liên quan đến việc giải một lập trình số nguyên hỗn hợp vấn đề thường khó NP và khó giải quyết thơng qua các kỹ thuật tốn học thông thường gần thời gian thực. Một cách tiếp cận đầy hứa hẹn là áp dụng học sâu để giải quyết vấn đề này loại vấn đề tối ưu hóa bằng cách đào tạo học sâu mơ hình để tìm hiểu ánh xạ giữa đầu vào vấn đề thước đo và giải pháp tối ưu.
3.3.4 Mô đun suy luận trực tuyến
Là bước cuối cùng trong vòng lặp học tập biên (như được hiển thị trong Hình 28), các thao tác lái xe được tạo bởi mạng trực tuyến mô-đun suy luận dựa trên dữ liệu đầu vào mới. Trên cái thứ nhất tay, đối với chế độ suy luận cục bộ (tức là, suy luận được thực hiện ở phương tiện giao thông), hiệu suất suy luận chủ yếu phụ thuộc về khả năng tính tốn của chiếc xe, vốn bị hạn chế về điện năng.
Mặt khác, giới thiệu suy luận biên có thể cung cấp các dịch vụ có độ trễ thấp cho AV bằng cách cung cấp dữ liệu vào mơ hình DL được đào tạo triển khai tại máy chủ biên. Tuy nhiên, biên suy luận vẫn phải đối mặt với nhiều thách thức, ví dụ: quyền riêng tư dữ liệu và khả năng tính tốn hạn chế, khó có thể chịu được hồn tồn và lưu trữ mơ hình ML được đào tạo khá 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 trên EI, xây dựng ra quyết định giảm tải nhị phân (tức là giảm tải hay không) và phân bổ tài ngun tính tốn (biểu thị bao nhiêu tài ngun tính tốn có thể được phân bổ cho mỗi phương tiện) như vấn đề lập trình phi tuyến số nguyên hỗn hợp (MINLP), mà nói chung là NP-Khó và khó giải quyết. Trong cụ thể là một số yếu tố (chẳng hạn như số lượng phương tiện, khả năng tính tốn của các phương tiện, và điều kiện kênh hàng tấn.) có thể thay đổi theo thời gian, vì vậy sự thư giãn thơng thường thủ tục tối ưu hóa dựa trên phải được thực hiện lặp đi lặp lại về việc giải MINLP mỗi khi các tham số thay đổi. Do đó, độ phức tạp tính tốn cao phát sinh do số lần lặp lại và các giải pháp thường là dưới mức tối ưu và sẽ không mở rộng quy mô. Điều này ngày càng được quan tâm khi mơ hình B5G/ 6G và IoT được tính đến. Để đáp ứng những thách thức sắp tới, một cách tiếp cận đầy hứa hẹn là để áp dụng học sâu để giải quyết loại NP-khó này vấn đề tối ưu hóa bằng cách đào tạo mơ hình học sâu để học ánh xạ giữa các tham số đầu vào của vấn đề và giải pháp tối ưu. Trong bài này, ta xây dựng dựa trên khung công tác học tập nhiệm vụ (MTL) để suy ra các giải pháp hiệu quả hơn với độ chính xác cao, như được minh họa trong Hình 28