一个改进的模型用于目标检测和测量远程操作功率操纵器的估计
Li Xie1, Jiale Huang1,2, Yutian Li1
1School of Mechanical Engineering, Dongguan University of Technology, Dongguan, China.
Frontiers in neurorobotics
|August 21, 2023
概括
这项研究引入了一个深度学习模型,用于在热电池中精确地估计远程操作功率操纵器的姿势. 优化的模型在显著减少推断时间的情况下实现了类似的准确性,提高了远程操作效率.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 热电池利用远程操作功率操纵器进行远程任务.
- 准确的操纵器姿势估计对于安全高效的操作至关重要.
- 现有的方法在复杂的环境和实时性能方面面临挑战.
研究的目的:
- 开发基于深度学习的系统,用于对远程操作功率操纵器的目标检测和构成估计.
- 在热电池环境中改进操纵器姿势估计的精度和实时性能.
- 优化扩展FCOS模型以提高速度和准确性.
主要方法:
- 实施了一个深度学习平台,使用两个摄像头来操纵姿势的获取.
- 开发了一种针对操纵器规模量身定制的扩展完全卷积一阶段物体检测 (扩展-FCOS) 算法.
- 应用了模型修剪,并选择了MobileNetv1作为轻量级的骨干,以优化推断速度.
主要成果:
- 拟议的模型实现了与原始模型相比的精度.
- 推断时间减少到原始模型时间的58%.
- 使用通道压缩和姿势蒸进行进一步的优化,导致推断时间为原始模型的48%.
结论:
- 优化的深度学习模型显著提高了操纵者姿势估计的实时性能.
- 该方法保持了高精度,这对于热电池中复杂的远程操作至关重要.
- 这项技术提高了远程操作在危险环境中的效率和安全性.
