ReLU再进化ReLUMax：自动驾驶的瞬态容错语义分割

ReLU再进化ReLUMax：自动驾驶的瞬态容错语义分割

Abstract

度学习模型在自动驾驶感知中至关重要，但其可靠性面临着算法限制和硬件故障的挑战。我们通过研究语义分割模型的容错性来应对后者。使用已有的硬件故障模型，我们在准确性和不确定性方面评估了现有的加固技术，并引入了一种名为ReLUMax的新型激活函数，旨在增强模型对瞬态故障的抵抗力。ReLUMax可以无缝集成到现有架构中，并且不会产生时间开销。我们的实验表明，ReLUMax有效提高了鲁棒性，保持了模型性能并提升了预测的置信度，从而为开发可靠的自动驾驶系统做出了贡献。

代码可在以下链接获取：https://github.com/iurada/neutron-segmentation

Introduction

自动驾驶汽车在感知和导航复杂环境方面面临重大挑战。可靠的场景识别模型尤为重要，特别是对高级驾驶辅助系统（ADAS）来说，它们必须符合ISO 26262等功能安全标准。虽然深度学习在诸如障碍物检测和交通标志识别等方面有了很大进展，但对这些组件的认证仍然是一个难题。近年来的研究集中在通过领域泛化、异常检测和开放集识别来提高算法的鲁棒性。然而，硬件的鲁棒性同样至关重要。由宇宙粒子引发的瞬态硬件故障，可能导致比特翻转错误，这可能会导致错误的预测，进而在自动驾驶车辆中做出潜在的致命决策（见图1）。我们的工作解决了语义分割任务中的这一硬件脆弱性，语义分割是自动驾驶场景解读中的关键任务。我们旨在理解并减轻硬件错误对这一关键功能的影响。

理想的容错系统要求具有低延迟和低成本的策略。然而，当前的解决方案涉及昂贵的硬件或高成本的冗余，如特斯拉的全自动驾驶芯片所示。传统的错误纠正码（ECC）主要针对GPU内存，而非功能单元。基于软件的策略通