자율주행 자동차에서 DNN 기반 안전 필수 응용의 성능 저하 방지 (Avoiding Performance Degradation of DNN based Safety-Critical Applications in Autonomous Vehicles)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 57권 / 9호 / 56 ~ 64페이지
· 저자명 : 김도영, 김명선

초록

DNN(deep neural network) 기술의 빠른 발전은 자율주행 자동차에서 뛰어난 성능 향상으로 이어지고 있다. 이러한 시스템에서는 객체 탐지, 차선 이탈 방지, 졸음운전 방지, 주변 이미지 분석 등 여러 가지 DNN 모델 기반의 응용들이 수행된다. 이때 수행되는 DNN 모델들을 호스팅하는 응용들은 높은 우선순위를 갖는 운행에 관련된 안전 필수적인 것들과 중간 혹은 낮은 우선순위를 갖고 운행에는 직접적으로 관련되지 않는 응용들로 이루어진다. 따라서 GPU와 같은 DNN 가속 장치를 서로 다른 우선순위를 갖는 DNN 모델들이 공유해서 사용한다. 또한 하나의 DNN 모델 당 하나의 배치 프로세스 형태로 수행되어, 비주기적으로 도착하는 안전 필수 응용들이 사용하는 DNN 모델들을 최우선적으로 GPU에 할당하기는 어렵다. 본 논문에서는 이러한 문제를 해결하기 위하여 우선순위를 기반으로 DNN 모델의 각 레이어 별로 GPU에 연산을 의뢰하는 프레임워크를 제안한다. 제안된 기법을 실제 상용 보드에 탑재한 후 실험한 결과 높은 우선순위의 DNN 모델들의 성능이 적용 전 대비 최대 43.9% 향상되었다.

영어초록

The rapid development of DNN technology is leading to outstanding performance improvement in autonomous vehicles. In this system, various DNN model-based applications such as object detection, lane departure prevention, drowsy driving prevention, and surrounding image analysis are performed. The applications hosting the DNN models are classified into safety-critical ones with high priority and others with medium or low priority not directly related to driving. Therefore, DNN accelerators such as GPUs are shared and used by DNN models with different priorities. In addition, since it is performed in the form of one batch process per DNN model, it is difficult to firstly allocate the DNN models used by safety-critical applications that arrive sporadically to the GPU. In order to solve this problem, this paper proposes a framework for requesting computation to the GPU for each layer of the DNN model based on priority. As a result of experiments after running the proposed technique on an actual off-the-shelf board, the performance of high-priority DNN models improved upto 43.9% compared to that of before.

참고자료

· 없음