Resumen:La conducción autónoma es una tecnología emergente que se espera que aporte importantes beneficios sociales, económicos y medioambientales. Sin embargo, estos beneficios vienen acompañados de un creciente consumo de energía por parte de los motores informáticos, lo que limita la autonomía de conducción de los vehículos, especialmente los eléctricos. La computación de percepción suele ser el componente que consume más energía, ya que se basa en modelos de aprendizaje profundo a gran escala para extraer características ambientales. Recientemente, numerosos estudios han empleado técnicas de compresión de modelos, como dispersión, cuantificación y destilación, para reducir el consumo computacional. Sin embargo, estos métodos a menudo dan como resultado un tamaño de modelo sustancial o una caída significativa en la precisión de la percepción en comparación con los modelos de alta computación. Para abordar estos desafíos, proponemos un marco de conducción autónoma energéticamente eficiente, llamado EneAD. En el módulo de percepción adaptativa, se diseña una estrategia de optimización de la percepción desde la perspectiva de la gestión y el ajuste de datos. En primer lugar, gestionamos múltiples modelos de percepción con diferente consumo computacional y ajustamos dinámicamente la velocidad de fotogramas de ejecución. Luego, los definimos como perillas y diseñamos un método de ajuste transferible basado en la optimización bayesiana para identificar valores de perillas prometedores que logran un bajo cálculo mientras mantienen la precisión deseada. Para cambiar de forma adaptativa los valores del mando en varios escenarios de tráfico, se propone un modelo de clasificación ligero para distinguir la dificultad de percepción en diferentes escenarios. En el módulo de decisión robusta, proponemos un modelo de decisión basado en el aprendizaje por refuerzo y diseñamos un término de regularización para mejorar la estabilidad de conducción frente a resultados de percepción perturbada. Amplios experimentos demuestran la superioridad de nuestro marco tanto en el consumo de energía como en el rendimiento de conducción. EneAD puede reducir el consumo de percepción entre 1,9 y 3,5 veces y, por tanto, mejorar la autonomía entre un 3,9% y un 8,5%.
Publicado originalmente en export.arxiv.org el 29 de octubre de 2025.
Ver fuente original
