13、雾计算赋能的机器人集群协作式同步定位与地图构建（SLAM）技术解析

雾计算赋能的机器人集群协作式同步定位与地图构建（SLAM）技术解析

1. Boomerang性能评估

在相关实验中，将Boomerang部署在树莓派3和台式PC上。由于延迟要求和可用带宽对Boomerang起着至关重要的作用，因此通过改变这两个因素来评估其性能和效率。
- 带宽影响 ：在延迟要求固定为1000 ms，带宽从50 kbps到2.0 Mbps变化的情况下进行研究。基于回归的Boomerang在不同带宽下，分区点会有波动，随着带宽增加，所选退出点会延迟，这表明更高的带宽会带来更大规模的DNN计算，从而提高准确性。基于深度强化学习（DRL）的Boomerang也有类似趋势，但分区点会随着带宽增加更早下降。
- 不同方法性能对比 ：当带宽设置为400 kbps时，对四种方法的性能进行整合评估。当延迟要求非常严格（100 ms）时，四种方法的表现都不佳。随着延迟要求放宽，Boomerang的推理比其他方法更早开始工作。值得注意的是，在200 ms和300 ms的延迟要求下，基于回归和基于DRL的Boomerang都能工作，但后者的准确性更高。因为基于回归的Boomerang采用回归模型作为预测模型，在预测层的运行时间时仍会产生一定误差，在严格的延迟要求下可能会对选点产生负面影响，导致执行次优推理计划。而基于DRL的Boomerang进行端到端的推理计划生成，避免了估计部分，在严格延迟要求下性能更稳定。当所需延迟达到400 ms及更长时，除了本地推理由于本地计算资源有限无法满足要求外，其他方法都能满足要求。这一特性使得Boomerang在工业制造环境中能够实现更低的任务处理延迟，有助于提高效率和利润。