Deep Neural Network Architecture Search for Accurate Visual Pose Estimation aboard Nano-UAVs

要約

小型化された自律型無人航空機（UAV）は、新たなトレンドとなっている。手のひらサイズのUAVは、大型のロボットでは到達できない場所に到達し、人間の周囲で安全に動作することができます。このようなロボットは、100mW以下のシンプルな電子回路を搭載しているため、特に安価で魅力的ですが、高度な知能を搭載する上で大きな課題となります。本研究では、新しいニューラル・アーキテクチャ・サーチ（NAS）技術を活用して、視覚的な姿勢推定タスクのための複数のパレート最適な畳み込みニューラルネットワーク（CNN）を自動的に識別します。本研究では、小型UAVの特定のハードウェア制約に対応するCNNを自動的かつ効率的に最適化するために、現実のフィールドでテストされたロボット工学アプリケーションがNAS技術を具体的にどのように活用できるかを実証しています。NASで最適化されたCNNをいくつか導入し、並列超低消費電力システムオンチップを搭載した27gのCrazyflieナノUAVで閉ループで実行しました。その結果、現場での制御誤差を32%低減し、オンボードでのリアルタイム推論レートは10Hz@10mWと50Hz@90mWを達成し、最先端技術を向上させました。

要約(オリジナル)

Miniaturized autonomous unmanned aerial vehicles (UAVs) are an emerging and trending topic. With their form factor as big as the palm of one hand, they can reach spots otherwise inaccessible to bigger robots and safely operate in human surroundings. The simple electronics aboard such robots (sub-100mW) make them particularly cheap and attractive but pose significant challenges in enabling onboard sophisticated intelligence. In this work, we leverage a novel neural architecture search (NAS) technique to automatically identify several Pareto-optimal convolutional neural networks (CNNs) for a visual pose estimation task. Our work demonstrates how real-life and field-tested robotics applications can concretely leverage NAS technologies to automatically and efficiently optimize CNNs for the specific hardware constraints of small UAVs. We deploy several NAS-optimized CNNs and run them in closed-loop aboard a 27-g Crazyflie nano-UAV equipped with a parallel ultra-low power System-on-Chip. Our results improve the State-of-the-Art by reducing the in-field control error of 32% while achieving a real-time onboard inference-rate of ~10Hz@10mW and ~50Hz@90mW.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL