原文传递
基于优化调度的自动驾驶路测仿真平台的研究与实现
| 论文题名： | 基于优化调度的自动驾驶路测仿真平台的研究与实现 |
| 关键词： | 自动驾驶;路测仿真平台;圆拟合算法;深度学习;优化调度 |
| 摘要： | 近年来，自动驾驶技术发展迅速。自动驾驶算法的迭代升级需要大量路面测试，而由于法规、人力物力和安全等限制，路测的过程充满困难。出于以上考虑，路测仿真应运而生，而仿真需要大量深度学习训练及相关场景数据，这些仿真训练任务的调度合理性、训练效率和模型的准确性如何得到保证，已经成为目前亟待解决的问题。本文针对以上问题做的主要工作如下: （1）针对自动驾驶路测仿真训练任务大多运行在Kubernetes集群中的特性，分析原有Kubernetes集群调度策略的不足，提出了一种多维度自适应的Kubernetes集群负载任务调度算法，通过增加更多调度参考指标，并合理确定各指标参数的权重，使得改进后的Kubernetes集群更适用于自动驾驶路测仿真训练等大规模任务的调度和执行，提高了训练任务调度的合理性与成功率。经对比，路测仿真任务调度成功率从64.0％提升到84.2％,资源碎片化率降低了6.7％。 （2）针对路测仿真任务训练效率低下，且自动驾驶算法模型对路况场景识别准确性得不到保证的问题，通过研究以RingAllReduce为基础的分布式并行训练方案与当前主流的圆拟合算法，提出了一种改进的分布式并行训练方案与优化的圆拟合算法。该算法通过分析并利用节点空闲计算资源，以及数据预处理、设置拟合迭代终止条件等方式提高了集群资源利用率与图像拟合准确性。在和主流拟合算法的比较中，改进的圆拟合算法平均像素偏差均有所降低，当噪声比例超过50％时，部分最大像素偏差降低了30％以上。 （3）设计并开发了一套可视化操作平台，用以进行自动驾驶路测仿真训练任务与相关数据的管理工作，选用主流自动驾驶算法进行拟合改进，并配合分布式训练方案,大幅提高了计算资源的利用率和图像拟合准确性。使用MongoDB分片集群数据库保存路测相关数据，保证了系统的吞吐量和数据安全性。 综上，本文设计的基于优化调度的自动驾驶路测仿真训练平台解决了在自动驾驶路测仿真训练中大规模任务调度不合理的问题，同时解决了仿真训练任务运行时效率和精度得不到保证的问题，该平台兼顾了研究和应用的价值。 |
| 作者： | 陶尚进 |
| 专业： | 信息与通信工程；通信与信息系统 |
| 导师： | 张红伟 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
