یادگیری عمیق برای ادراک رباتیک مقاوم در محیط های غیرساختارمند

ادراک رباتیک در محیط های غیرساختارمند مانند مناطق حادثه دیده یا فضاهای شهری پویا به دلیل موانع متغیر، تغییرات نوری و پیچیدگی های بصری چالش برانگیز است. این پژوهش معماری ترکیبی از شبکه های کانولوشنی و ترنسفورمرهای بینایی پیشنهاد می دهد که ویژگی های محلی و جهانی صحنه را مدل سازی می کند. یادگیری خود نظارتی با روش کنتراستیو نیاز به داده های برچسب دار را کاهش داده و تطبیق دامنه با آموزش خصمانه مقاومت مدل را در برابر تغییرات محیطی بهبود می بخشد. مدل با کوانتیزاسیون و هرس برای استنتاج بلادرنگ روی سخت افزارهای سبک بهینه شده است. آزمایش ها روی مجموعه داده های استاندارد و مجموعه داده سفارشی امداد و نجات بهبود ۸/۱ در دقت تشخیص اشیا، ۵/۸ در تقسیم بندی معنایی و خطای عمق ۰/۴۵ متر را نشان داد. این نتایج مقاومت مدل را در شرایط سخت تایید کرده و کاربرد آن را در امداد و نجات، ناوبری خودکار و عملیات صنعتی تقویت می کند.

کلیدواژه ها:

یادگیری عمیق ، ادراک رباتیک ، محیط های غیر ساختارمند ، ترنسفورمرهای بینایی ، استنتاج بلادرنگ