快速CRDNN：面向移动工程机械的现场训练
信号处理
2020-06-08 v1 机器人学
摘要
CRDNN是一种组合神经网络，通过精确检测卡车装载循环，可将基于扭矩的移动作业机械的整体效率提高约9%。一方面，它是一种鲁棒但离线的学习算法，因此比以往方法更准确、更快速。然而另一方面，由于移动机械行业的多样性以及离线方法的本质，其精度并非总能保证。为解决该问题，我们利用了迁移学习算法与物联网（IoT）技术。具体而言，CRDNN首先由计算机训练，然后保存在车载ECU中。若预训练的CRDNN不适用于新机器，操作员可通过我们的App经蓝牙连接该机器的车载ECU来标注一些新数据。借助新标注的数据，由于迁移学习比从头训练网络所需计算量更少，我们可直接在ECU上对预训练CRDNN进行进一步训练而不致过载。本文中，我们通过现场实验证明了该想法，并表明即便新机器可能具有不同分布，在迁移学习与IoT技术辅助下CRDNN始终胜任。此外，我们对比了其他SOTA多元时间序列算法在预测移动机械工作状态上的性能，表明CRDNN仍是最合适的方案。作为副产品，我们搭建了一个由不具备人工智能（AI）知识的工程师即可操作的人机通信系统用于数据集标注。
引用
@article{arxiv.2006.03169,
title = {Fast CRDNN: Towards on Site Training of Mobile Construction Machines},
author = {Yusheng Xiang and Tian Tang and Tianqing Su and Christine Brach and Libo Liu and Samuel Mao and Marcus Geimer},
journal= {arXiv preprint arXiv:2006.03169},
year = {2020}
}
备注
15 pages, 18 figures