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.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Michele Anto... om arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.11567.pdfDiepere vragen