Der Artikel stellt einen neuartigen Ansatz für eine skalierbare Domänenanpassung in Cloud-Robotik-Szenarien vor, bei denen Roboter auf KI-Inferenz-Dienste von Drittanbietern angewiesen sind. Die Methode basiert auf einer nachgelagerten Vorschlagsverfeinerungsstufe, die lokal auf den Robotern ausgeführt wird und eine neue leichtgewichtige DNN-Architektur, R2SNet, nutzt.
R2SNet zielt darauf ab, die Leistungseinbußen durch Domänenverschiebungen abzumildern, indem es den Objekterkennungsprozess an die Zielumgebung anpasst. Dies erfolgt durch Relabeling, Rescoring und Unterdrückung von Bounding-Box-Vorschlägen. Der Ansatz ermöglicht eine lokale Ausführung auf den Robotern und adressiert so die Skalierbarkeitsherausforderungen der Domänenanpassung, ohne dabei signifikante Rechenkosten zu verursachen.
Die Ergebnisse in Echtzeit-Experimenten mit mobilen Servicerobotern, die Türerkennung durchführen, zeigen die Effektivität der vorgeschlagenen Methode bei der Erzielung einer skalierbaren Domänenanpassung.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések