Tiny Robotics Dataset and Benchmark for Continual Object Detection

要約

モバイルロボット工学のオブジェクトの検出は、自律的なナビゲーションから検査まで、多数のアプリケーションにとって重要です。
ただし、ロボットは、訓練されたドメインとは異なるドメインで動作する必要があるため、これらの変更に合わせて調整する必要があります。
サイズ、電源、および計算上の制約を条件として、小さなモバイルロボットは、これらのアルゴリズムの実行と適応にさらに困難に遭遇します。
ただし、このような適応性は、ロボットが動的で予測不可能な設定で効果的に動作する必要がある実際の展開には重要です。
この作業では、小さなロボットプラットフォームのオブジェクト検出システムの継続的な学習機能を評価するための新しいベンチマークを紹介します。
私たちの貢献には、（i）小さなモバイルロボットのオンボードカメラを使用して収集された包括的なデータセットであるTiny Roboticsオブジェクト検出〜（Tirod）が含まれます。
（ii）軽量オブジェクト検出器であるNanodetを使用したこのデータセット上のさまざまな継続学習戦略のベンチマーク。
私たちの結果は、小さなロボット工学のオブジェクト検出器の堅牢で効率的な継続的な学習戦略を開発する際の重要な課題を強調しています。

要約(オリジナル)

Detecting objects in mobile robotics is crucial for numerous applications, from autonomous navigation to inspection. However, robots often need to operate in different domains from those they were trained in, requiring them to adjust to these changes. Tiny mobile robots, subject to size, power, and computational constraints, encounter even more difficulties in running and adapting these algorithms. Such adaptability, though, is crucial for real-world deployment, where robots must operate effectively in dynamic and unpredictable settings. In this work, we introduce a novel benchmark to evaluate the continual learning capabilities of object detection systems in tiny robotic platforms. Our contributions include: (i) Tiny Robotics Object Detection~(TiROD), a comprehensive dataset collected using the onboard camera of a small mobile robot, designed to test object detectors across various domains and classes; (ii) a benchmark of different continual learning strategies on this dataset using NanoDet, a lightweight object detector. Our results highlight key challenges in developing robust and efficient continual learning strategies for object detectors in tiny robotics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google