[論文レビュー] Tiny Robot Learning: Challenges and Directions for Machine Learning in Resource-Constrained Robots

Sabrina M. Neuman, Brian Plancher+9 more|arXiv (Cornell University)|May 11, 2022

Modular Robots and Swarm Intelligence被引用数 4

ひとこと要約

この論文は、リソース制約があり低コストな自律的ロボット（いわゆる「小さなロボット学習」）への機械学習の導入における課題を特定し、SWAP（サイズ、重量、消費電力）制約、ハードウェア制限、多様な展開シナリオに対処する包括的でエンドツーエンドの自動設計ツールを含む、包括的なMLシステム設計を提案する。本研究では、物理的システムとMLの共同設計、および迅速な開発を可能にするスケーラブルで一般化可能な設計フローの重要性を強調する。

ABSTRACT

Machine learning (ML) has become a pervasive tool across computing systems. An emerging application that stress-tests the challenges of ML system design is tiny robot learning, the deployment of ML on resource-constrained low-cost autonomous robots. Tiny robot learning lies at the intersection of embedded systems, robotics, and ML, compounding the challenges of these domains. Tiny robot learning is subject to challenges from size, weight, area, and power (SWAP) constraints; sensor, actuator, and compute hardware limitations; end-to-end system tradeoffs; and a large diversity of possible deployment scenarios. Tiny robot learning requires ML models to be designed with these challenges in mind, providing a crucible that reveals the necessity of holistic ML system design and automated end-to-end design tools for agile development. This paper gives a brief survey of the tiny robot learning space, elaborates on key challenges, and proposes promising opportunities for future work in ML system design.

研究の動機と目的

• サイズ、重量、消費電力、コスト（SWAP）の制約がある、小さな低コストの自律的ロボットへの機械学習の導入における固有の課題に対処する。
• 小さなロボットプラットフォームにおける組み込みシステム、ロボティクス、機械学習の交差によって生じる複合的な困難を特定する。
• 深刻なハードウェア的および環境的制約下でもパフォーマンスを最適化するため、エンドツーエンドの包括的システム共同設計を解決策として提案する。
• 小さなロボットの展開シナリオの多様性を的確にカバーするための一般化可能で自動化された設計フローを開発する。
• 組み込みTinyML技術をロボティクス固有の要件および物理的システムの制約と統合することで、MLシステム設計を前進させる。

提案手法

• SWAPおよびハードウェア制限に焦点を当て、既存の小さなロボットプラットフォームとそのML導入の課題に関するサーベイを実施する。
• 計算、センサー、アクチュエータ、エネルギー使用量を含むサイバーフィジカルスタック全体のトレードオフを定量化するためのエンドツーエンドのベンチマークフレームワークを提案する。
• 計算およびセンサーの要求を低減するため、モデル圧縮、蒸留、ハイブリッドモデルベース/学習ベース制御などの機械学習技術を統合する。
• ニューラルネットワークのハイパーパrameterおよびハードウェア構成の設計空間を探索するため、ベイジアン最適化、進化的アルゴリズム、強化学習などの自動最適化技術を活用する。
• ドメイン固有の知識をエンコードし、組み込みシステム、ロボティクス、MLの分野でエキスパートを介さずに自動的にシステム生成を可能にする、一般化可能でオープンソースのツールチェーンを設計する。
• バッテリーの重量、アクチュエータの精度などの物理的ロボット特性とMLモデルを共同設計することで、制約下でもミッション時間とパフォーマンスを最大化する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、サイズ、重量、消費電力、コストに深刻な制約を受ける小さなロボットに機械学習を効果的に導入できるか？
• RQ2 小さなロボット学習システムのエンドツーエンド設計における主要なシステムレベルのトレードオフは何か？ そして、それらはどのように定量的に評価できるか？
• RQ3 ML強化処理を用いることで、高価なセンサー（例：カメラ、LIDAR）に代わって低価格のセンサー（例：近接、光）をどれだけ効果的に置き換えられるか？
• RQ4 小さなロボット学習システムの膨大な設計空間を的確に探索するため、自動化され一般化可能な設計フローをどのように構築できるか？
• RQ5 物理的ロボットシステムとMLのエンドツーエンド共同設計が、リソース制約下での耐性および効率性を向上させる役割を果たすか？

主な発見

• 小さなロボット学習は、単一のプラットフォームに組み込みシステム、ロボティクス、機械学習の複合的制約が重複するため、包括的なMLシステム設計の必要性を明らかにする。
• 近接センサーや光センサーなどの低価格センサーをMLと組み合わせることで、カメラやLIDARと同等の認識性能を実現でき、システムの重量とコストを削減できる。
• ハイブリッドモデルベースと学習ベースの制御器により、感度や駆動能力に制限がある小さな四足歩行ロボットでも、不整地を歩行することが可能になる。
• Air Learningのようなエンドツーエンドのベンチマークフレームワークにより、学習アルゴリズム、モデル、センシングモダリティ、コンピューティングプラットフォーム間のトレードオフを体系的に探索できる。
• ベイジアン最適化や強化学習を用いた自動化された設計フローは、小さなロボット学習システムの複雑な設計空間を効率的に探索できる。
• 一般化可能でオープンソースのTinyMLツールチェーンは、小さなロボットシステムのエンドツーエンド設計を自動化するのに拡張可能であり、多分野のエキスパートによる干渉に依存するのを減らすことができる。