OpenDR：一个赋能机器人高性能、低占用深度学习的开放工具包
机器人学
2022-03-02 v1 人工智能
摘要
现有的深度学习（DL）框架通常不为机器人技术提供即用型解决方案，因为机器人领域存在非常特定的学习、推理和具身问题。它们相对陡峭的学习曲线、深度学习与传统方法相比所采用的不同方法论，以及深度学习模型的高复杂性（这常常导致需要使用专门的硬件加速器），进一步增加了在机器人技术中采用深度学习模型所需的工作量和成本。此外，大多数现有的深度学习方法遵循静态推理范式，这是从传统计算机视觉流程继承而来的，忽略了主动感知，而主动感知可用于与环境主动交互以提高感知精度。在本文中，我们提出了面向机器人的开放深度学习工具包（OpenDR）。OpenDR 旨在开发一个开放、非专有、高效且模块化的工具包，机器人公司和研究机构可以轻松使用它，以高效地开发和部署人工智能和认知技术到机器人应用中，为解决上述挑战迈出坚实的一步。我们还详细介绍了设计选择，以及为克服这些挑战而创建的抽象接口。该接口可以描述各种机器人任务，超越现有框架所知的传统深度学习认知和推理，将开放性、同质性和面向机器人的感知（例如，通过主动感知）作为其核心设计原则。
引用
@article{arxiv.2203.00403,
title = {OpenDR: An Open Toolkit for Enabling High Performance, Low Footprint Deep Learning for Robotics},
author = {N. Passalis and S. Pedrazzi and R. Babuska and W. Burgard and D. Dias and F. Ferro and M. Gabbouj and O. Green and A. Iosifidis and E. Kayacan and J. Kober and O. Michel and N. Nikolaidis and P. Nousi and R. Pieters and M. Tzelepi and A. Valada and A. Tefas},
journal= {arXiv preprint arXiv:2203.00403},
year = {2022}
}