1、基于卷积神经网络的移动机器人系统高效机器学习

基于卷积神经网络的移动机器人系统高效机器学习

1 引言

人工智能（AI）技术在全球范围内的关注度日益提升。在利用人工神经网络（ANN）进行图像分类任务取得显著成果后，大量能在图像分类及其他任务中表现更优的 ANN 模型不断涌现。深度学习（DL）作为新兴且热门的 AI 子领域应运而生，它指的是训练和使用具有更深架构（即包含大量连续层的模型）的 ANN 的过程。此外，深度 ANN 使用卷积层而非全连接层能取得更好的效果，这类以卷积为主要层的深度 ANN 被称为卷积神经网络（CNN）。像 ResNet、VGG 和 Xception 等 CNN 模型，已成为行业和研究的首选，众多研究者也在不断改进这些模型的准确性，或对其进行修改以用于其他任务。

机器人技术、计算机视觉和 AI 领域的高度关联，促使机器人领域的众多研究者对 DL 产生兴趣。许多具有高度非线性特性的机器人任务，都能通过 DL 技术得到有效近似。如今，DL 在机器人领域的应用广泛，涵盖从雅可比矩阵近似到决策系统等多个方面。然而，在机器人领域应用最先进的 DL 模型时，处理时间是一个主要挑战。由于所有机器人算法都需在现实环境中实现，而机器人硬件的处理能力有限，因此 DL 模型必须满足嵌入式机器人过程对时间的敏感要求。

起初，研究者仅关注所使用的 CNN 模型的准确性，倾向于使用更大的模型。但大模型不仅训练所需的时间、能源和资源更多，而且无法应用于对时间敏感的现实应用中。例如，训练一个用于自然语言处理的大型 DL 模型所需的能量约为 1287 兆瓦时。有鉴于此，研究者开始探索训练时能耗低且能实时使用的模型。

本研究的动机在于探索在机器人领域使用高精度 DL 模型的可能性，特别是那些能为移动机器人感知系统提供有效