Kleiner Robotik-Datensatz und -Benchmark für kontinuierliche Objekterkennung

Die Objekterkennung in mobilen Robotik ist für zahlreiche Anwendungen, von autonomen Navigationen bis hin zu Inspektionen, entscheidend. Roboter müssen jedoch oft in Bereichen operieren, die sich von denen unterscheiden, in denen sie trainiert wurden, was eine Anpassung an diese Veränderungen erforderlich macht. Kleine mobile Roboter, die durch Größe, Energie- und Rechenleistungseinschränkungen beeinträchtigt sind, haben dabei noch größere Schwierigkeiten, diese Algorithmen auszuführen und anzupassen. Diese Anpassungsfähigkeit ist jedoch für die praktische Einsatzbereitschaft entscheidend, da Roboter in dynamischen und unvorhersehbaren Umgebungen effektiv arbeiten müssen. In dieser Arbeit stellen wir ein neues Benchmark-Verfahren vor, um die kontinuierlichen Lernfähigkeiten von Objekterkennungssystemen in kleinen Robotikplattformen zu bewerten. Unsere Beiträge umfassen: (i) Tiny Robotics Object Detection (TiROD), einen umfassenden Datensatz, der mit der Bordkamera eines kleinen mobilen Roboters aufgenommen wurde und zur Prüfung von Objekterkennern über verschiedene Bereiche und Klassen hinweg entwickelt wurde; (ii) ein Benchmark verschiedener kontinuierlicher Lernstrategien auf diesem Datensatz unter Verwendung von NanoDet, einem leichten Objekterkenner. Unsere Ergebnisse verdeutlichen wichtige Herausforderungen bei der Entwicklung robuster und effizienter kontinuierlicher Lernstrategien für Objekterkennungssysteme in kleinen Robotikplattformen.