자율주행 전력 소모 감소를 위한 익숙한 경로 환경에서의 CNN 경량화와 과거 주행 기록 기반 주행 기법 = Shallow CNN and Past Driving Record-Based Method for Power-Efficient Autonomous Driving in Familiar Route Environments

국문 초록 (Abstract)

자율주행 자동차는 전방 인지를 위해 고연산 딥러닝 모델(CNN)을 전 구간에서 지속적으로 구동해야 하므로 전력 소모가 크게 누적된다. 반면 실제 운전자는 익숙한 구간을 주행 할 때 경험에 기반해 전방을 단순화하여 처리한다. 본 연구는 이를 모티브로 익숙한 공간을 주행할 때 전력 소모를 저감하기 위해 LSTM을 통해 주행 구간의 익숙함 여부를 판별하고, 익숙한 구간에서는 연산량이 큰 CNN을 중단한 뒤 사전 저장된 주행 시퀀스를 활용하여 주행 출력을 생성하되, early-exit CNN으로 전방을 얕게 처리하는 방식을 제안한다. 이를 통해 불필요한 CNN 연산을 억제하여 전력 소모를 완화하였으며, 실험 결과 일반 주행 대비 전력 절감 효과를 확인하였다. 또한 CNN 구조마다 상이할 수 있는 연산 특성을 변수로 설정하여, 전력 절감 효과를 정량적으로 나타낼 수 있는 수식을 함께 제시하였다.

다국어 초록 (Multilingual Abstract)

Autonomous vehicles need to run heavy deep learning models (CNNs) all the time to recognize the front view, which leads to high power use. In contrast, human drivers look more simply at the road when it is familiar, relying on past experience. Based on this idea, we propose a method to save energy by using an LSTM to check if the current road segment is familiar. When it is determined that the current road segment is familiar, the costly CNN is stopped, and driving outputs are taken from stored sequences while a lighter early-exit CNN handles the front view. This method reduces power use and showed up to 40% energy savings compared with normal CNN-only driving in our tests. We also provided a formula that shows the amount of power saved by treating the computation features, which differ by CNN design, as variables.