CADET：用于评估联网自动驾驶车辆分布式协作自主性的模块化平台

深度学习模型对于自动驾驶汽车 (AV) 管道越来越重要，但它们的集成传统上遵循整体设计，其中感知、规划和控制在单个车载计算机上执行。这种设计忽视了新兴的合作式自主模式，即车辆通过车联网 (V2X) 连接与路边单元 (RSU)、边缘服务器和云托管智能进行交互。协作感知和控制提高了安全性和效率，但也带来了系统级挑战：网络延迟、计算异构性和多租户争用，所有这些都严重影响实时决策。由于对大型基础模型的依赖日益增加，这些挑战进一步加剧，而大型基础模型的规模需要云部署。我们提出了 CADET（通过分布式实验工具包进行协作自治），这是一个模块化平台，用于在实际部署条件下对分布式协作自治系统进行系统性和可重复性评估。 CADET 将 AV 堆栈解耦为可组合模块，这些模块可以跨车辆、基础设施和边缘/云层灵活部署。该框架集成了最先进的模型，结合了跟踪驱动的网络和工作负载仿真，并提供同步的模型、系统和任务级检测。通过 V2V 和 V2I 实验，我们表明分布式部署选择从根本上塑造了安全性，V2V 意图数据包的性能优于基于云的感知，并且 RSU 辅助感知可以维持安全性，直到并发请求过载。尽管 CADET 是专为 AV 管道而设计的，但它还支持数据集驱动的实验，使系统和机器学习研究人员能够独立于整车仿真来对分布式推理工作负载进行基准测试。 CADET 是开源的，代码和演示可在 https://nesl.github.io/cadet-web 获取。