核心概念
Nano-quadrotors上でのハードウェア制限された状況での視覚認識タスクにおけるオンデバイス学習の重要性と効果を示す。
要約
この論文では、50g未満のナノドローンが急速に進化しており、その最も魅力的な応用は、サブ100mWプロセッサを備えた機内深層学習モデルに依存しています。しかし、トレーニングデータに表れていない未知の環境で展開されると、これらのモデルはしばしばドメインシフトによって性能が低下します。この基本的な問題に対処するために、初めて、ナノドローン上でのオンデバイス学習を提案しています。具体的には、事前トレーニング済み畳み込みニューラルネットワーク(CNN)の自己監督微調整を行うことで回帰タスクのパフォーマンスコストトレードオフを探求しました。我々のアプローチは、超低消費電力GWT GAP9 System-on-Chip上でわずか22秒の微調整だけで平均絶対誤差が30%向上しました。
統計
我々のアプローチは平均絶対誤差を30%改善しました。
微調整は22秒だけ必要です。
引用
"On-device learning aboard nano-drones not only marks a novel result for hardware-limited robots but lays the ground for more general advancements for the entire robotics community."
"Our promising results bring on-device learning aboard nano-drones as a viable way to address the critical domain shift problem and pave the way for more general advancements for the entire robotics community."