摘要
无人航空飞行器（Unmanned Aerial Vehicle，UAV）凭借其高度的灵活性在日常生活中被广泛使用。然而，随着应用场景的复杂化，UAV需要消耗更多的能量来支持其飞行任务。一方面，作为动力来源，UAV的电机需要消耗大量能量来维持或改变其姿态；另一方面，为了保证飞行路径的正确性，UAV也需要消耗大量能量来收集信息并做出决策。然而，作为一种能量受限的移动设备，UAV所能携带电池容量有限，这意味着UAV拥有有限的续航能力，间接导致任务成功率降低。因此，UAV的能效是其发展过程中一个非常重要的问题。本文着眼于当前UAV的能效问题，分别从软硬件两个角度来考虑其优化。 软件层次，从算法角度，我们量化分析了基于DQN（deep Q-network）算法进行自主飞行的UAV相邻两步之间的感知数据以及决策，发现其中存在感知一致性与Q值对称性。根据感知一致性，我们提出了感知近似技术AERO-S；根据Q值对称性，我们提出了决策近似技术AERO-AP。进一步的，将两种技术结合，我们提出了近似技术AERO。 硬件层次，从处理器角度，我们实验性的论证了以GPU为例的芯片设计过程中电压保护带的存在，并从微架构活动角度分析了处理器电压噪声产生的原因。针对芯片供电电压和保证程序正确执行的最低电压之间较大的差异性，我们提出了基于电压保护带降低的GPU能效优化技术。 本文分别从任务成功率、能耗或功耗等角度对上述两种技术做出评估。对于AERO的评估，我们采用四种不同的环境，结果表明在几乎未带来成功率开销的基础上，AERO均实现了可观的能效优化，尤其在无障碍物环境中，实现了约25%的相对耗时提升与19%的相对耗能提升；而对于基于电压保护带降低的GPU能效优化技术的评估，其平均降低了32%的动态功耗与18%的静态功耗。
NETL