面向机器人控制的感知模型动态选择
机器人学
2022-07-14 v1
摘要
机器人感知模型（如深度神经网络 DNNs）的计算开销日益增大，且已有多个在准确率与延迟之间权衡的模型被训练出来。然而，现代延迟-准确率权衡主要报告单步视觉任务的平均准确率，鲜有工作说明在机器人多步控制任务中该调用哪个模型。多步决策中的关键挑战在于在正确时刻使用正确模型以完成任务。亦即，以最小控制代价与最小感知时间完成任务是一种期望；这被称为模型选择问题。本工作中，我们精确解决这一为多步控制调用正确感知模型序列的问题。换言之，我们通过将模型选择问题转化为平衡控制代价与感知时间的多目标优化问题，提供了可证明最优的解。从我们的解中得出的关键洞见是：对于多步决策，感知模型的方差（而非仅平均准确率）至关重要，并展示了如何将多样化感知模型用作节能机器人的基本构件。此外，我们在 AirSim 中使用视觉导航的逼真无人机降落仿真上演示了该方法。使用我们提出的策略，相较于其他竞争基准，我们以 79.1% 更少的感知时间实现了低 38.04% 的控制代价。
引用
@article{arxiv.2207.06390,
title = {Dynamic Selection of Perception Models for Robotic Control},
author = {Bineet Ghosh and Masaad Khan and Adithya Ashok and Sandeep Chinchali and Parasara Sridhar Duggirala},
journal= {arXiv preprint arXiv:2207.06390},
year = {2022}
}