مجموعة روبوتات صغيرة ومقياس مرجعي للكشف المستمر عن الأشياء

اكتشاف الأشياء في الروبوتات المتنقلة أمر حاسم لتطبيقات عديدة، بدءًا من التنقل الذاتي وصولاً إلى الفحص. ومع ذلك، غالبًا ما تحتاج الروبوتات إلى العمل في مجالات مختلفة عن تلك التي تم تدريبها عليها، مما يتطلب منها التكيف مع هذه التغييرات. تواجه الروبوتات الصغيرة جدًا، والتي تخضع لقيود الحجم والطاقة والحسابية، صعوبات إضافية في تشغيل وتكييف هذه الخوارزميات. ومع ذلك، فإن مثل هذا التكيف ضروري للنشر في العالم الحقيقي، حيث يجب على الروبوتات أن تعمل بكفاءة في بيئات ديناميكية وغير متوقعة. في هذا البحث، نقدم معيارًا جديدًا لتقييم قدرات التعلم المستمر لأنظمة اكتشاف الأشياء في منصات روبوتية صغيرة جدًا. تتضمن إسهاماتنا: (i) مجموعة بيانات اكتشاف الأشياء للروبوتات الصغيرة جدًا (TiROD)، وهي مجموعة بيانات شاملة تم جمعها باستخدام الكاميرا المثبتة على متن روبوت متنقل صغير، مصممة لاختبار كاشفات الأشياء عبر مختلف المجالات والفئات؛ (ii) معيار يشمل استراتيجيات مختلفة للتعلم المستمر على هذه المجموعة البيانات باستخدام NanoDet، وهو كاشف أشياء خفيف الوزن. تسلط نتائجنا الضوء على التحديات الرئيسية في تطوير استراتيجيات تعلم مستمر قوية وكفوءة لكاشفات الأشياء في الروبوتات الصغيرة جدًا.