机器人与云端间持续学习的训练数据采样
机器人学
2020-12-15 v1 计算机视觉与模式识别
分布式、并行与集群计算
机器学习
网络与互联网体系结构
摘要
当今机器人车队正日益测量高容量视频与 LIDAR 传感流，可从中挖掘有价值的训练数据，如道路施工现场等稀有场景，以稳步改进机器人感知模型。然而，在中央计算服务器（或“云端”）基于不断增长的丰富传感数据重训练感知模型，对网络传输、云存储、人工标注与云计算资源造成巨大时间与成本负担。为此，我们引入 HarvestNet，一种驻留于机器人上的智能采样算法，仅存储稀有、有用事件以稳步改进云端重训练的感知模型，从而缓解系统瓶颈。HarvestNet 在我们新颖的道路施工现场数据集、自动驾驶汽车现场测试与流式人脸识别上显著提升了机器学习模型精度，同时将云存储、数据集标注时间与云计算时间降低 65.7-81.3%。此外，其精度比基线算法高 1.05-2.58 倍，并可扩展运行于嵌入式深度学习硬件。我们向研究界提供了面向 Google Edge 张量处理单元（Tensor Processing Unit, TPU）的一系列计算高效感知模型、一份扩展技术报告与一个新的视频数据集，见 https://sites.google.com/view/harvestnet。
引用
@article{arxiv.2012.06739,
title = {Sampling Training Data for Continual Learning Between Robots and the Cloud},
author = {Sandeep Chinchali and Evgenya Pergament and Manabu Nakanoya and Eyal Cidon and Edward Zhang and Dinesh Bharadia and Marco Pavone and Sachin Katti},
journal= {arXiv preprint arXiv:2012.06739},
year = {2020}
}
备注
International Symposium on Experimental Robotics (ISER) 2020, Malta