CODEI: Resource-Efficient Task-Driven Co-Design of Perception and Decision Making for Mobile Robots Applied to Autonomous Vehicles
作者: Dejan Milojevic, Gioele Zardini, Miriam Elser, Andrea Censi, Emilio Frazzoli
分类: cs.RO, cs.AI, cs.AR, cs.CV, eess.SY
发布日期: 2025-03-13 (更新: 2025-04-07)
备注: 20 pages, 33 images, IEEE Transactions on Robotics
期刊: 10.1109/TRO.2025.3552347
💡 一句话要点
CODEI：面向自动驾驶车辆的移动机器人感知与决策协同设计框架
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 协同设计 移动机器人 自动驾驶 感知决策 整数线性规划
📋 核心要点
- 现有移动机器人设计缺乏对感知和决策的协同优化，导致资源浪费和性能瓶颈。
- CODEI框架通过占用查询量化感知需求，并结合整数线性规划进行传感器和算法的协同选择与优化。
- 在自动驾驶车辆的案例研究中，验证了CODEI框架的有效性，并展示了资源优先级对传感器选择的影响。
📝 摘要（中文）
本文探讨了移动机器人设计的集成挑战和策略，重点关注任务驱动的硬件和软件优化选择，以平衡安全性、效率和资源（如成本、能源、计算需求和重量）的最小化使用。我们强调了感知和运动规划在决策中的相互作用，引入了占用查询的概念来量化基于采样的运动规划器的感知需求。通过几何关系、对象属性、传感器分辨率和环境条件等各种因素，使用假阴性率（FNR）和假阳性率（FPR）评估传感器和算法的性能。通过将感知需求与感知性能相结合，提出了一种整数线性规划（ILP）方法，用于高效的传感器和算法选择与放置。这构成了包括机器人本体、运动规划器、感知流水线和计算单元在内的协同设计优化的基础。我们将这种解决移动机器人协同设计问题的框架称为CODEI，即具身智能协同设计。一个关于开发用于城市场景的自动驾驶车辆（AV）的案例研究为设计人员提供了可操作的信息，并表明复杂的任务会增加资源需求，并且任务性能会影响自主堆栈的选择。该研究表明，资源优先级会影响传感器选择：相机因其经济高效和轻量级的设计而受到青睐，而激光雷达传感器则因其更好的能源和计算效率而被选中。
🔬 方法详解
问题定义：现有移动机器人的设计通常是模块化的，感知和决策系统独立设计，忽略了它们之间的相互依赖关系。这种方式导致资源利用率低，无法在成本、功耗、计算资源等约束下实现最优性能。尤其是在自动驾驶等复杂场景下，对感知和决策系统的协同优化需求更加迫切。
核心思路：CODEI框架的核心思想是将感知和决策系统作为一个整体进行优化设计，通过量化感知需求，并将其与感知系统的性能指标（如FPR和FNR）相结合，利用整数线性规划（ILP）方法，在满足任务需求的前提下，选择最优的传感器和算法组合，并进行合理的资源分配。
技术框架：CODEI框架包含以下主要模块：1) 占用查询：用于量化运动规划器对感知系统的需求，例如需要检测的障碍物距离、精度等。2) 感知性能评估：通过FPR和FNR等指标评估不同传感器和算法在不同环境条件下的性能。3) 整数线性规划（ILP）：基于感知需求和感知性能，选择最优的传感器和算法组合，并进行资源分配。4) 协同设计优化：将机器人本体、运动规划器、感知流水线和计算单元作为一个整体进行优化设计。
关键创新：CODEI框架的关键创新在于：1) 提出了占用查询的概念，用于量化感知需求，弥合了感知和决策之间的鸿沟。2) 将感知需求与感知性能相结合，利用整数线性规划（ILP）方法进行传感器和算法的协同选择与优化。3) 将机器人本体、运动规划器、感知流水线和计算单元作为一个整体进行协同设计。
关键设计：CODEI框架的关键设计包括：1) 占用查询的定义方式，需要根据具体的运动规划器和任务需求进行设计。2) 感知性能评估指标的选择，需要根据具体的传感器和算法进行选择。3) 整数线性规划（ILP）的目标函数和约束条件的设计，需要根据具体的资源约束和任务需求进行设计。例如，目标函数可以是最小化成本或功耗，约束条件可以是满足一定的安全性和性能指标。
📊 实验亮点
在自动驾驶车辆的案例研究中，CODEI框架展示了资源优先级对传感器选择的影响。当优先考虑成本和重量时，相机成为首选；而当优先考虑能源和计算效率时，激光雷达传感器则更具优势。该研究为自动驾驶车辆的设计人员提供了有价值的参考信息。
🎯 应用场景
CODEI框架可应用于各种移动机器人，尤其是在资源受限且对安全性要求高的场景，如自动驾驶、无人机、仓储机器人等。通过协同优化感知和决策系统，可以提高机器人的效率、降低成本、并提升安全性。该框架为移动机器人设计提供了一种系统化的方法，有助于加速移动机器人的研发和部署。
📄 摘要（原文）
This paper discusses the integration challenges and strategies for designing mobile robots, by focusing on the task-driven, optimal selection of hardware and software to balance safety, efficiency, and minimal usage of resources such as costs, energy, computational requirements, and weight. We emphasize the interplay between perception and motion planning in decision-making by introducing the concept of occupancy queries to quantify the perception requirements for sampling-based motion planners. Sensor and algorithm performance are evaluated using False Negative Rates (FPR) and False Positive Rates (FPR) across various factors such as geometric relationships, object properties, sensor resolution, and environmental conditions. By integrating perception requirements with perception performance, an Integer Linear Programming (ILP) approach is proposed for efficient sensor and algorithm selection and placement. This forms the basis for a co-design optimization that includes the robot body, motion planner, perception pipeline, and computing unit. We refer to this framework for solving the co-design problem of mobile robots as CODEI, short for Co-design of Embodied Intelligence. A case study on developing an Autonomous Vehicle (AV) for urban scenarios provides actionable information for designers, and shows that complex tasks escalate resource demands, with task performance affecting choices of the autonomy stack. The study demonstrates that resource prioritization influences sensor choice: cameras are preferred for cost-effective and lightweight designs, while lidar sensors are chosen for better energy and computational efficiency.