面向网络化机器人感知的任务相关表征学习
机器人学
2020-11-09 v1 计算机视觉与模式识别
信息论
网络与互联网体系结构
系统与控制
系统与控制
math.IT
摘要
如今，即便是计算和功耗受限最严重的机器人也能测量复杂的、高数据率的视频与LIDAR感官流。这类机器人——从低功耗无人机到太空与地下漫游车——在自身不确定或无法在本地可扩展地运行复杂感知或建图任务时，往往需要将高比特率的感官数据传输至远程计算服务器。然而，当今的感官数据表征大多是为人类而非机器人感知设计的，因而常常浪费宝贵的计算或无线网络资源去传输场景中对于高层机器人任务而言不必要的次要部分。本文提出一种算法，用于学习与预训练机器人感知模型最终目标协同设计的任务相关感官数据表征。我们的算法相较于竞争方法将机器人感官数据压缩多达11倍。此外，其在包括基于低功耗深度学习加速器的火星地形分类、神经运动规划以及环境时间序列分类在内的多样化任务上实现了高精度与鲁棒泛化。
引用
@article{arxiv.2011.03216,
title = {Task-relevant Representation Learning for Networked Robotic Perception},
author = {Manabu Nakanoya and Sandeep Chinchali and Alexandros Anemogiannis and Akul Datta and Sachin Katti and Marco Pavone},
journal= {arXiv preprint arXiv:2011.03216},
year = {2020}
}