隨著工業(yè) 4.0 的到來，對自主機器人在邊緣執(zhí)行推理的需求呈指數(shù)級增長。機器人平臺上的集成傳感器一直是機器人定位、導(dǎo)航和避障設(shè)計的一個重要方面。

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)向無人機和自主地面車輛，起重能力、航程和成本效益是需要考慮的幾個重要因素。即使是自主地面車輛也存在一些困難，因為它們需要堅固耐用，并具有精確的定位技術(shù)以及障礙物檢測和避障算法。

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

基于CNN的全向物體檢測，適用于愛馬仕機器人

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

眾所周知，用于對象檢測的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圖像中的多個對象。為了提高計算速度，研究人員使用單次多盒檢測器（SSD）架構(gòu)和EfficientNet-B0進行特征提取。單次檢測器只需一次拍攝即可檢測圖像中的多個物體，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)檢測器架構(gòu)

從帶有EfficientNet-B0特征提取器的單次檢測器的架構(gòu)可以看出，輸入圖像是通過特征提取器（骨干）傳遞的，該特征提取器在各個卷積層提取特征。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)送到目標檢測塊。

對于分類模型，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)的單次檢測器方法仍然面臨一些困難，例如提供檢測到的行人的實時信息。

改進的單次檢測器架構(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。這樣做是為了通過忽略沒有目標對象的圖像來提高人類檢測算法的速度。

根據(jù)結(jié)果，這種方法對于送貨機器人的多攝像頭設(shè)置來說可能是一個突破。修改后的 SSD 架構(gòu)的性能改進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檢測的計算復(fù)雜度。此方法適用于其他檢測體系結(jié)構(gòu)，其中分類器用作特征提取器。未來的工作可以做在城市地區(qū)識別機器人周圍的人密度，以提高效率。

審核編輯：郭婷