隨著工業(yè) 4.0 的到來(lái)，對(duì)自主機(jī)器人在邊緣執(zhí)行推理的需求呈指數(shù)級(jí)增長(zhǎng)。機(jī)器人平臺(tái)上的集成傳感器一直是機(jī)器人定位、導(dǎo)航和避障設(shè)計(jì)的一個(gè)重要方面。

由于 Covid-19，物流供應(yīng)商不得不提出最后一英里交付的新方法。從傳統(tǒng)方法轉(zhuǎn)向無(wú)人機(jī)和自主地面車輛，起重能力、航程和成本效益是需要考慮的幾個(gè)重要因素。即使是自主地面車輛也存在一些困難，因?yàn)樗鼈冃枰獔?jiān)固耐用，并具有精確的定位技術(shù)以及障礙物檢測(cè)和避障算法。

對(duì)于自動(dòng)送貨機(jī)器人，障礙物檢測(cè)和避讓需要來(lái)自集成傳感器的實(shí)時(shí)傳入數(shù)據(jù)，這些數(shù)據(jù)涉及來(lái)自周圍環(huán)境的非平穩(wěn)輸入。集成到機(jī)器人中的一些數(shù)據(jù)采集傳感器包括激光雷達(dá)、超聲波距離傳感器以及紅外和可見光譜相機(jī)。實(shí)驗(yàn)設(shè)置中使用的HermesBot在周邊有6個(gè)卷簾快門相機(jī)，提供360度視野。對(duì)于大量實(shí)時(shí)傳入的數(shù)據(jù)，遠(yuǎn)程機(jī)器人很難處理信息，并可能面臨與計(jì)算能力和內(nèi)存限制相關(guān)的問(wèn)題。此外，算法的準(zhǔn)確性和與之相關(guān)的推理時(shí)間之間始終存在權(quán)衡。正在進(jìn)行的研究更多地關(guān)注這些方面，以提高機(jī)器人的效率并實(shí)現(xiàn)成本效益。

基于CNN的全向物體檢測(cè)，適用于愛馬仕機(jī)器人

這項(xiàng)工作旨在提高遠(yuǎn)程交付機(jī)器人上物體檢測(cè)系統(tǒng)的效率和功效。該方法適用于具有來(lái)自多個(gè)相機(jī)的大量實(shí)時(shí)傳入數(shù)據(jù)的高度復(fù)雜的系統(tǒng)，但計(jì)算能力有限。HermesBot送貨機(jī)器人的正面和背面有兩套實(shí)感攝像頭，用于機(jī)器人定位，六個(gè)RasPi NoIR V2攝像頭用于行人檢測(cè)。

眾所周知，用于對(duì)象檢測(cè)的R-CNN（基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)）技術(shù)需要兩次拍攝以檢測(cè)圖像中的多個(gè)對(duì)象。為了提高計(jì)算速度，研究人員使用單次多盒檢測(cè)器（SSD）架構(gòu)和EfficientNet-B0進(jìn)行特征提取。單次檢測(cè)器只需一次拍攝即可檢測(cè)圖像中的多個(gè)物體，使其比基于 RPN 的方法更快，但精度較低。

基于高效Net-B0特征提取器的單發(fā)檢測(cè)器架構(gòu)

從帶有EfficientNet-B0特征提取器的單次檢測(cè)器的架構(gòu)可以看出，輸入圖像是通過(guò)特征提取器（骨干）傳遞的，該特征提取器在各個(gè)卷積層提取特征。為了查找更多空間信息，底部的卷積層為檢測(cè)塊提取更多特征。然后，在卷積層中提取的所有特征都被發(fā)送到目標(biāo)檢測(cè)塊。

對(duì)于分類模型，EfficientNet-B0是最快的特征提取骨干之一。此方法的三個(gè)重要參數(shù)是圖層的深度、輸入和輸出通道的數(shù)量以及空間大小。但是，傳統(tǒng)的單次檢測(cè)器方法仍然面臨一些困難，例如提供檢測(cè)到的行人的實(shí)時(shí)信息。

改進(jìn)的單次檢測(cè)器架構(gòu)

該研究修改了架構(gòu)，在額外的特征提取卷積層之前添加分類層。這樣做是為了通過(guò)忽略沒(méi)有目標(biāo)對(duì)象的圖像來(lái)提高人類檢測(cè)算法的速度。

根據(jù)結(jié)果，這種方法對(duì)于送貨機(jī)器人的多攝像頭設(shè)置來(lái)說(shuō)可能是一個(gè)突破。修改后的 SSD 架構(gòu)的性能改進(jìn)可以在性能圖表中看到。結(jié)果表明，在大多數(shù)情況下，所提算法顯著降低了目標(biāo)檢測(cè)的計(jì)算復(fù)雜度。此方法適用于其他檢測(cè)體系結(jié)構(gòu)，其中分類器用作特征提取器。未來(lái)的工作可以做在城市地區(qū)識(shí)別機(jī)器人周圍的人密度，以提高效率。

審核編輯：郭婷