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）技术在全球范围内引起了广泛关注。早期，人工神经网络（ANN）在图像分类任务中取得显著成果，随后大量能在图像分类及其他任务上表现更优的 ANN 模型不断涌现，深度学习（DL）作为热门的 AI 子领域应运而生。深度学习是指训练和使用具有更深架构（即包含大量顺序层的模型）的 ANN 。同时，研究发现深度 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常用选择。

机器人学、计算机视觉和 AI 领域的高度关联，促使众多机器人领域的研究人员对 DL 产生兴趣。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。不过，在机器人领域应用最先进的 DL 模型面临着处理时间的挑战，因为机器人算法需在处理能力受限的硬件上实时运行。

起初，研究人员主要关注 CNN 模型的准确性，倾向于使用大型模型，但大型模型训练耗时、耗能且资源需求大，难以应用于实时场景。例如，训练一个大型自然语言处理的 DL 模型需消耗约 1287 MWh 的能量。因此，研究人员开始探索低功耗且能实时使用的模型。

本研究的动机在于探索高精度 DL 模型在机器人领域的应用，特别是那些能提升移动机器人感知系统对周围环境理解能力，并用于决策的 DL 模型。研究目标是确定 CNN 模型在语义分割任务中达到高精度所需的规模（参数和层数），同时确保其能在计算能力受限的 Nvidia Jetson Nano 板上实际应用。

研究的主要贡献包括分析在移动机器人 RAI