Predicción de ángulo de dirección de robot basada en red ligera con atención no local y guía de carril

Área de la Ciencia:

• Robótica
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La predicción precisa del ángulo de dirección es crucial para la navegación de robots autónomos.
• Los métodos existentes a menudo enfrentan desafíos con la eficiencia computacional y la precisión de la predicción en entornos complejos.

Objetivo del estudio:

• Desarrollar una nueva red de predicción de extremo a extremo para la predicción del ángulo de dirección del robot.
• Mejorar la eficiencia computacional y la precisión de la predicción utilizando mecanismos integrados de atención y guía de línea de carril.

Principales métodos:

• Una red basada en ResNet que incorpora el Bloque No Local y el Módulo Fantasma para una extracción de características mejorada y modelado de contexto global.
• Un método de anotación de línea de carril que combina la detección de bordes Canny y la transformada de Hough para la guía semántica.
• Se utilizó el programador ReduceLROnPlateau para el ajuste adaptativo de la tasa de aprendizaje para mitigar el sobreajuste.

Principales resultados:

• Logró un aumento del 54,88% en la velocidad de inferencia en comparación con los modelos base.
• Redujo el Error Absoluto Medio (MAE) en un 8,47% y el Error Cuadrático Medio (RMSE) en un 18,23%.
• Los estudios de ablación confirmaron la efectividad del Bloque No Local y el Módulo Fantasma para mejorar el rendimiento y la eficiencia del modelo.

Conclusiones:

• La red propuesta ofrece una solución de percepción visual de alta precisión, eficiente y de baja latencia para la navegación autónoma en tiempo real.
• La integración de la atención no local y la guía de línea de carril mejora significativamente la predicción del ángulo de dirección.
• El método demuestra una fuerte generalización y potencial para su implementación en escenarios complejos de navegación robótica.