面向自主微型车辆的 tinyML 模型部署鲁棒化
计算机视觉与模式识别
2021-06-01 v2 机器学习
机器人学
系统与控制
信号处理
系统与控制
摘要
标准尺寸的自主导航车辆得益于深度学习的突破而迅速改进。然而，将自动驾驶扩展到部署在动态环境中的低功耗系统带来了若干阻碍其应用的挑战。为应对这些挑战，我们提出了一种用于自主驾驶微型车辆的闭环学习流程，其将目标环境纳入回路中。我们利用一系列紧凑且高吞吐量的 tinyCNN 来控制微型车辆，这些网络通过在目标环境中模仿计算机视觉算法（即专家）进行学习。因此，仅能访问板载高速率线性相机的 tinyCNN 获得了对光照条件的鲁棒性并随时间不断改进。此外，我们利用并行超低功耗 RISC-V SoC GAP8 来满足推理需求。在运行该系列 CNN 时，我们的 GAP8 方案优于 STM32L4 和 NXP k64f（Cortex-M4）上的任何其他实现，将延迟降低超过 13 倍，能耗降低 92%。
引用
@article{arxiv.2007.00302,
title = {Robustifying the Deployment of tinyML Models for Autonomous mini-vehicles},
author = {Miguel de Prado and Manuele Rusci and Romain Donze and Alessandro Capotondi and Serge Monnerat and Luca Benini and and Nuria Pazos},
journal= {arXiv preprint arXiv:2007.00302},
year = {2021}
}