[论文解读] 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 4

一句话总结

本文识别了在资源受限、低成本的自主机器人上部署机器学习所面临的挑战——即所谓的“微型机器人学习”（tiny robot learning），并提出了整体化的机器学习系统设计以及自动化的端到端设计工具，以应对SWAP（尺寸、重量、功耗）约束、硬件限制和多样的部署场景。研究强调将机器学习与物理系统协同设计，并采用可扩展、可泛化的流程以实现敏捷开发。

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.

研究动机与目标

• 解决在尺寸、重量、功耗和成本（SWAP）受限的微型、低成本、自主机器人上部署机器学习所面临的独特挑战。
• 识别在微型机器人平台中，嵌入式系统、机器人技术和机器学习三者交汇所导致的复杂困难。
• 提出整体化的端到端系统协同设计作为解决方案，以在严苛的硬件和环境约束下优化性能。
• 开发可泛化且自动化的流程，以应对微型机器人部署场景的广泛多样性。
• 通过整合嵌入式TinyML技术与机器人特定需求及物理系统约束，推进机器学习系统设计。

提出的方法

• 对现有微型机器人平台及其机器学习部署挑战进行调研，重点关注SWAP和硬件限制。
• 提出端到端的基准测试框架，以量化分析计算、传感器、执行器和能耗等整个信息-物理栈中的权衡。
• 集成模型压缩、蒸馏等机器学习技术，以及基于模型与学习相结合的控制方法，以降低计算和传感器需求。
• 利用贝叶斯优化、进化算法和强化学习等自动化优化技术，探索神经网络超参数与硬件配置的设计空间。
• 设计可泛化的开源工具链，以编码领域特定知识，并实现在嵌入式系统、机器人和机器学习领域中无需专家干预的自动化、全栈系统生成。
• 将机器学习模型与物理机器人特性（如电池重量、执行器精度）协同设计，以在约束条件下最大化任务时长和性能。

实验结果

研究问题

• RQ1 如何在具有严重尺寸、重量、功耗和成本限制的微型机器人上有效部署机器学习？
• RQ2 微型机器人学习系统端到端设计中的关键系统级权衡是什么？如何实现定量评估？
• RQ3 通过机器学习增强的处理，低成本传感器（如接近传感器、光线传感器）在多大程度上可以替代高成本传感器（如摄像头、LIDAR）？
• RQ4 如何构建自动化、可泛化的流程，以高效探索微型机器人学习系统的庞大设计空间？
• RQ5 端到端的机器学习与物理机器人系统协同设计在资源受限条件下，对提升鲁棒性和效率起到何种作用？

主要发现

• 微型机器人学习揭示了整体化机器学习系统设计的必要性，因为嵌入式系统、机器人技术和机器学习在单一平台上存在多重约束的叠加效应。
• 低成本传感器（如接近传感器、光线传感器）可与机器学习有效结合，实现与摄像头或LIDAR相当的感知水平，从而降低系统重量和成本。
• 基于模型与学习相结合的混合控制器使微型四足机器人即使在感知和执行能力有限的情况下，也能在不平坦地形上行走。
• 端到端的基准测试框架（如Air Learning）可系统性地探索学习算法、模型、传感模式与计算平台之间的权衡。
• 利用贝叶斯优化和强化学习的自动化设计流程可高效探索微型机器人学习系统的复杂设计空间。
• 可泛化的开源TinyML工具链可扩展用于支持微型机器人系统的自动化、全栈设计，从而减少对跨领域专家干预的依赖。