用于超低功耗纳米无人机高效视觉姿态估计的自适应深度学习
计算机视觉与模式识别
2024-02-26 v2 机器学习
摘要
直径小于 10 厘米的纳米无人机因其在大型无人机无法进入的场景（如狭窄环境和靠近人类）中的适用性而日益受到关注。然而，其微小的外形也带来了主要缺点：用于机载执行感知管线的内存和处理器极度受限。因此，轻量级基于深度学习的方法正变得越来越流行，这凸显了计算效率和节能至关重要，因为它们可能决定一个完全工作的闭环系统与一个失败的系统之间的差异。在这项工作中，为了最大限度地利用纳米无人机上极其有限的资源，我们提出了一种新颖的自适应深度学习机制，用于高效执行基于视觉的人体姿态估计任务。我们利用两个具有不同回归性能与计算成本权衡的最先进（SoA）卷积神经网络（CNNs）。通过将这些 CNN 与三种基于输出时间一致性和辅助任务的新颖自适应策略相结合，以主动切换正在执行的 CNN，我们提出了六种不同的系统。在真实世界数据集和实际纳米无人机硬件上，与仅执行更大且最准确的 SoA 模型相比，我们性能最佳的系统在保持相同平均绝对误差（MAE）的同时，延迟降低了 28%；在保持相同延迟的同时，MAE 降低了 3%；并达到了绝对峰值性能，即比 SoA 模型好 6%。
引用
@article{arxiv.2401.15236,
title = {Adaptive Deep Learning for Efficient Visual Pose Estimation aboard Ultra-low-power Nano-drones},
author = {Beatrice Alessandra Motetti and Luca Crupi and Mustafa Omer Mohammed Elamin Elshaigi and Matteo Risso and Daniele Jahier Pagliari and Daniele Palossi and Alessio Burrello},
journal= {arXiv preprint arXiv:2401.15236},
year = {2024}
}
备注
Accepted for publication in the 2024 Design, Automation and Test in Europe (DATE) conference