Impact Analysis of Algorithm Optimization on Robot Deep Learning Localization Model for Real-Time Execution
Notice bibliographique
Résumé
The increased demand for autonomous robots in industries such as healthcare, manufacturing, and logistics is driven by the need to address labor shortages and enhance operational efficiency. A critical aspect of these robots is their ability to navigate complex environments autonomously, which relies heavily on multiple artificial intelligence models, including visual odometry. Visual odometry enables robots to estimate their motion by analyzing visual data, making it essential for navigation and obstacle avoidance. However, ensuring such models operate within real-time constraints is paramount for the robot’s responsiveness, safety, and overall functionality. The complexity and depth of such a model, which utilizes camera images and other sensor data, make it challenging to achieve real-time performance. Thus, this paper thoroughly evaluates the performance of a deep-learning visual odometry model, with a focus on its execution time and computational overhead. Furthermore, it proposes an optimized implementation to meet the stringent real-time requirements for safe and efficient robot operation. The optimization is achieved through algorithm improvement to preserve the model structure and accuracy. Multiple hardware platforms were utilized to demonstrate the resource differences between edge, fog, and cloud deployments, thereby validating the effect of the proposed model optimization. The resource usage is also compared to see the impact of the modification on multiple aspects, including computation, memory, temperature, and energy. The resulting model operationalization improves the execution time while highlighting limitations for some hardware configurations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».