云机器人的网络卸载策略：一种基于学习的方法
机器人学
2019-02-18 v1 计算机视觉与模式识别
机器学习
网络与互联网体系结构
摘要
当今的机器人系统越来越倾向于使用计算代价高昂的模型，如深度神经网络（DNN），来完成定位、感知、规划和目标检测等任务。然而，资源受限的机器人（如低功耗无人机）通常缺乏足够的机载计算资源或功率储备，无法可扩展地运行最精确的最先进神经网络计算模型。云机器人技术允许移动机器人在本地不确定或希望运行更精确、计算更密集的模型时，将计算卸载到集中式服务器上。然而，云机器人技术伴随着一个常被低估的关键代价：在拥塞的无线网络上与云端通信可能导致延迟或数据丢失。事实上，我们通过实验测量发现，在拥塞网络上从多个机器人发送高数据速率的视频或 LIDAR 可能会导致实时应用出现不可接受的延迟。在本文中，我们提出了一个新颖的机器人卸载问题——机器人应该如何以及何时卸载感知任务（尤其是在不确定时），以提高准确性同时最小化云通信代价？我们将卸载表述为机器人的序贯决策问题，并提出了一种使用深度强化学习的解决方案。在使用最先进视觉 DNN 的仿真和硬件实验中，我们的卸载策略将视觉任务性能提升了基准卸载策略的 1.3 至 2.6 倍，使机器人有望显著超越其机载感知精度，且云通信代价有限。
引用
@article{arxiv.1902.05703,
title = {Network Offloading Policies for Cloud Robotics: a Learning-based Approach},
author = {Sandeep Chinchali and Apoorva Sharma and James Harrison and Amine Elhafsi and Daniel Kang and Evgenya Pergament and Eyal Cidon and Sachin Katti and Marco Pavone},
journal= {arXiv preprint arXiv:1902.05703},
year = {2019}
}