隨著工業(yè) 4.0 的到來，對自主機器人在邊緣執(zhí)行推理的需求呈指數(shù)級增長。機器人平臺上的集成傳感器一直是機器人定位、導(dǎo)航和避障設(shè)計的一個重要方面。

由于 Covid-19，物流供應(yīng)商不得不提出最后一英里交付的新方法。從傳統(tǒng)方法轉(zhuǎn)向無人機和自主地面車輛，起重能力、航程和成本效益是需要考慮的幾個重要因素。即使是自主地面車輛也存在一些困難，因為它們需要堅固耐用，并具有精確的定位技術(shù)以及障礙物檢測和避障算法。

對于自動送貨機器人，障礙物檢測和避讓需要來自集成傳感器的實時傳入數(shù)據(jù)，這些數(shù)據(jù)涉及來自周圍環(huán)境的非平穩(wěn)輸入。集成到機器人中的一些數(shù)據(jù)采集傳感器包括激光雷達、超聲波距離傳感器以及紅外和可見光譜相機。實驗設(shè)置中使用的HermesBot在周邊有6個卷簾快門相機，提供360度視野。對于大量實時傳入的數(shù)據(jù)，遠程機器人很難處理信息，并可能面臨與計算能力和內(nèi)存限制相關(guān)的問題。此外，算法的準(zhǔn)確性和與之相關(guān)的推理時間之間始終存在權(quán)衡。正在進行的研究更多地關(guān)注這些方面，以提高機器人的效率并實現(xiàn)成本效益。

基于CNN的全向物體檢測，適用于愛馬仕機器人

這項工作旨在提高遠程交付機器人上物體檢測系統(tǒng)的效率和功效。該方法適用于具有來自多個相機的大量實時傳入數(shù)據(jù)的高度復(fù)雜的系統(tǒng)，但計算能力有限。HermesBot送貨機器人的正面和背面有兩套實感攝像頭，用于機器人定位，六個RasPi NoIR V2攝像頭用于行人檢測。

眾所周知，用于對象檢測的R-CNN（基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)）技術(shù)需要兩次拍攝以檢測圖像中的多個對象。為了提高計算速度，研究人員使用單次多盒檢測器（SSD）架構(gòu)和EfficientNet-B0進行特征提取。單次檢測器只需一次拍攝即可檢測圖像中的多個物體，使其比基于 RPN 的方法更快，但精度較低。

基于高效Net-B0特征提取器的單發(fā)檢測器架構(gòu)

從帶有EfficientNet-B0特征提取器的單次檢測器的架構(gòu)可以看出，輸入圖像是通過特征提取器（骨干）傳遞的，該特征提取器在各個卷積層提取特征。為了查找更多空間信息，底部的卷積層為檢測塊提取更多特征。然后，在卷積層中提取的所有特征都被發(fā)送到目標(biāo)檢測塊。

對于分類模型，EfficientNet-B0是最快的特征提取骨干之一。此方法的三個重要參數(shù)是圖層的深度、輸入和輸出通道的數(shù)量以及空間大小。但是，傳統(tǒng)的單次檢測器方法仍然面臨一些困難，例如提供檢測到的行人的實時信息。

改進的單次檢測器架構(gòu)

該研究修改了架構(gòu)，在額外的特征提取卷積層之前添加分類層。這樣做是為了通過忽略沒有目標(biāo)對象的圖像來提高人類檢測算法的速度。

根據(jù)結(jié)果，這種方法對于送貨機器人的多攝像頭設(shè)置來說可能是一個突破。修改后的 SSD 架構(gòu)的性能改進可以在性能圖表中看到。結(jié)果表明，在大多數(shù)情況下，所提算法顯著降低了目標(biāo)檢測的計算復(fù)雜度。此方法適用于其他檢測體系結(jié)構(gòu)，其中分類器用作特征提取器。未來的工作可以做在城市地區(qū)識別機器人周圍的人密度，以提高效率。

審核編輯：郭婷