基于深度学习的低算力人形机器人实时物体检测与识别
计算机视觉与模式识别
2020-02-11 v1 机器学习
机器人学
机器学习
摘要
我们设想在不久的将来，人形机器人将共享家庭空间，并通过物体操作协助我们进行日常和常规活动。机器人需要开发的一项基础技术是使其能够检测物体并识别它们，以便进行有效的操作并就涉及这些物体的事项做出实时决策。在本文中，我们描述了一种新颖的架构，使多个低算力的 NAO 机器人能够对其相机视野中的物体执行实时检测、识别和定位，并基于检测到的物体采取可编程动作。所提出的物体检测与定位算法是对 YOLOv3 的经验性改进，基于多种场景下的室内实验，具有更小的权重规模和更低的计算需求。权重量化以及重新调整卷积的滤波器大小和层排列，改善了来自机器人相机馈送的低分辨率图像的推理时间。在对边界框算法进行比较研究后选择了 YOLOv3，目的是选出一个在信息保留、低推理时间和高精度之间取得完美平衡、适用于实时物体检测与定位的算法。该架构还包括一个有效的端到端流水线，将相机馈送的实时帧送入神经网络，并利用其结果以对应于检测到的类别标签的可定制动作来引导机器人。
引用
@article{arxiv.2002.03735,
title = {Real-Time Object Detection and Recognition on Low-Compute Humanoid Robots using Deep Learning},
author = {Sayantan Chatterjee and Faheem H. Zunjani and Souvik Sen and Gora C. Nandi},
journal= {arXiv preprint arXiv:2002.03735},
year = {2020}
}
备注
7 pages