{{ title }}
{{ errorMessage }}


{{ errorMessage }}





{{ registerSuccessMessage }}
当前位置: 首页> 技术应用> 正文 
收藏
点赞
投稿
用于自主送货机器人的修正的单次检测器结构
来源: 作者:
  2021-12-06   

文章译自Embedded Computing Design

作者:Abhishek Jadhav   自由职业技术作家

随着工业4.0的启动,自主机器人在边缘进行推理的需求正在成倍增加。机器人平台上的集成传感器一直是机器人定位、导航和避障设计中的一个重要方面。

Modified Single Shot Detector Architecture for Autonomous Delivery Robot

HermesBot自主送货机器人 [图片来源:研究论文]

由于Covid-19的出现,物流供应商不得不为最后一英里的配送想出新的方法。从传统方法转向无人驾驶飞行器和自主地面车辆,提升能力、范围和成本效益是需要考虑的几个重要因素。即使是自主地面车辆也有一些困难,因为它们需要坚固耐用,有精确的定位技术以及障碍物探测和规避算法。

对于自主送货机器人来说,障碍物检测和规避需要从集成传感器中获得关于周围环境非稳态输入的实时传入数据。集成在机器人中的一些数据采集传感器包括LiDAR、超声波距离传感器以及红外和可见光谱相机。实验装置中使用的HermesBot在周边有6个滚动快门摄像头,提供360度的视野。有了大量的实时传入数据,远程机器人就很难处理这些信息,并可能面临与计算能力和内存限制有关的问题。另外,在算法的准确性和与之相关的推理时间之间总是存在着权衡。正在进行的研究更多地关注这些方面,以提高机器人的效率,并实现成本效益。

用于HermesBot的基于CNN的全向物体检测

这项工作旨在提高远程配送机器人上物体检测系统的效率和功效。该方法适用于高度复杂的系统,该系统具有来自多个摄像机的大量实时传入数据,但计算能力有限。HermesBot送货机器人在前后两侧有两套RealSense相机用于机器人定位,还有六台RasPi NoIR V2相机用于行人检测。

众所周知,用于物体检测的R-CNN(基于区域的卷积神经网络)技术在检测图像内的多个物体时需要两次拍摄。为了提高计算速度,研究人员使用了单次多盒检测器(SSD)架构和EfficientNet-B0进行特征提取。单次检测器只需一次就能检测到图像中的多个物体,这使得它比基于RPN的方法更快,但精度较低。

带有EfficientNet-B0特征提取器的单次检测器架构 

从带有EfficientNet-B0特征提取器的Single Shot Detector的结构中可以看出,输入图像通过一个特征提取器(骨干),在各个卷积层提取特征。为了找到更多的空间信息,底部的卷积层为检测块提取更多的特征。然后,卷积层中提取的所有特征再被送到物体检测块中。

对于分类模型,EfficientNet-B0是最快的特征提取骨干之一。该方法的三个重要参数是层的深度、输入和输出通道的数量以及空间大小。但传统的单次检测器方法仍然面临着一些困难,如提供检测到的行人的实时信息。

修改后的单次检测器结构

该研究修改了架构,在额外的特征提取卷积层之前增加了一个分类层。这样做是为了通过忽略没有目标物体的图像来提高人类检测算法的速度。

与经典SSD相比,修改后的SSD在有人类的帧数上的表现 [图片来源:研究论文]

根据结果,这种方法可以成为送货机器人的多摄像头设置的一个突破口。从性能图中可以看出修改后的SSD架构的性能改进。结果显示,在大多数情况下,所提出的算法大大降低了物体检测的计算复杂性。该方法适用于其他检测架构,其中分类器被用作特征提取器。未来的工作可以在识别城市地区机器人周围的人的密度方面进行,以提高工作效率。

https://www.embeddedcomputing.com/application/industrial/industrial-iot/modified-single-shot-detector-architecture-for-autonomous-delivery-robot

分享到:
  点赞
  收藏
  打印
评论(0
已输入0
最新文章