Optimized Deployment of Deep Neural Networks for Visual Pose Estimation on Nano-drones

要約

小型の自律型無人航空機 (UAV) は、そのサイズの小ささから人気が高まっており、屋内ナビゲーションや人物監視などの新しいタスクを可能にします。
それにもかかわらず、そのサイズとシンプルな電子機器は、高度な車載インテリジェンスを実装する際に深刻な課題を引き起こします。
この研究では、ディープ ニューラル ネットワーク (DNN) を使用した視覚姿勢推定タスクのための新しい自動最適化パイプラインを提案します。
このパイプラインは 2 つの異なるニューラル アーキテクチャ検索 (NAS) アルゴリズムを活用して、DNN のアーキテクチャ空間における膨大な複雑さ主導の探索を追求します。
取得したネットワークは、重要な DNN レイヤー シーケンスを効率的に融合して実行するための一連の新しいソフトウェア カーネルを利用する並列超低電力システム オン チップを備えた既製のナノドローンに展開されます。
私たちの結果は、等誤差で最大 3.22 倍まで推論レイテンシを削減する最先端の改善をもたらしました。

要約(オリジナル)

Miniaturized autonomous unmanned aerial vehicles (UAVs) are gaining popularity due to their small size, enabling new tasks such as indoor navigation or people monitoring. Nonetheless, their size and simple electronics pose severe challenges in implementing advanced onboard intelligence. This work proposes a new automatic optimization pipeline for visual pose estimation tasks using Deep Neural Networks (DNNs). The pipeline leverages two different Neural Architecture Search (NAS) algorithms to pursue a vast complexity-driven exploration in the DNNs’ architectural space. The obtained networks are then deployed on an off-the-shelf nano-drone equipped with a parallel ultra-low power System-on-Chip leveraging a set of novel software kernels for the efficient fused execution of critical DNN layer sequences. Our results improve the state-of-the-art reducing inference latency by up to 3.22x at iso-error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google