用于自主配送机器人的改进型单发检测器架构

随着工业 4.0 的到来，对自主机器人在边缘执行推理的需求呈指数级增长。机器人平台上的集成传感器一直是机器人定位、导航和避障设计的一个重要方面。

由于 Covid-19，物流供应商不得不提出最后一英里交付的新方法。从传统方法转向无人机和自主地面车辆，起重能力、航程和成本效益是需要考虑的几个重要因素。即使是自主地面车辆也存在一些困难，因为它们需要坚固耐用，并具有精确的定位技术以及障碍物检测和避障算法。

对于自动送货机器人，障碍物检测和避让需要来自集成传感器的实时传入数据，这些数据涉及来自周围环境的非平稳输入。集成到机器人中的一些数据采集传感器包括激光雷达、超声波距离传感器以及红外和可见光谱相机。实验设置中使用的HermesBot在周边有6个卷帘快门相机，提供360度视野。对于大量实时传入的数据，远程机器人很难处理信息，并可能面临与计算能力和内存限制相关的问题。此外，算法的准确性和与之相关的推理时间之间始终存在权衡。正在进行的研究更多地关注这些方面，以提高机器人的效率并实现成本效益。

基于CNN的全向物体检测，适用于爱马仕机器人

这项工作旨在提高远程交付机器人上物体检测系统的效率和功效。该方法适用于具有来自多个相机的大量实时传入数据的高度复杂的系统，但计算能力有限。HermesBot送货机器人的正面和背面有两套实感摄像头，用于机器人定位，六个RasPi NoIR V2摄像头用于行人检测。

众所周知，用于对象检测的R-CNN（基于区域的卷积神经网络）技术需要两次拍摄以检测图像中的多个对象。为了提高计算速度，研究人员使用单次多盒检测器（SSD）架构和EfficientNet-B0进行特征提取。单次检测器只需一次拍摄即可检测图像中的多个物体，使其比基于 RPN 的方法更快，但精度较低。

基于高效Net-B0特征提取器的单发检测器架构

从带有EfficientNet-B0特征提取器的单次检测器的架构可以看出，输入图像是通过特征提取器（骨干）传递的，该特征提取器在各个卷积层提取特征。为了查找更多空间信息，底部的卷积层为检测块提取更多特征。然后，在卷积层中提取的所有特征都被发送到目标检测块。

对于分类模型，EfficientNet-B0是最快的特征提取骨干之一。此方法的三个重要参数是图层的深度、输入和输出通道的数量以及空间大小。但是，传统的单次检测器方法仍然面临一些困难，例如提供检测到的行人的实时信息。

改进的单次检测器架构

该研究修改了架构，在额外的特征提取卷积层之前添加分类层。这样做是为了通过忽略没有目标对象的图像来提高人类检测算法的速度。

根据结果，这种方法对于送货机器人的多摄像头设置来说可能是一个突破。修改后的 SSD 架构的性能改进可以在性能图表中看到。结果表明，在大多数情况下，所提算法显著降低了目标检测的计算复杂度。此方法适用于其他检测体系结构，其中分类器用作特征提取器。未来的工作可以做在城市地区识别机器人周围的人密度，以提高效率。

审核编辑：郭婷