ترجمه فارسی مقاله آموزش در حین پرواز: یادگیری خودنظارتی روی دستگاه با استفاده از نانوپهپادها در محدوده ۲۰ میلی‌وات

چکیده

Miniaturized cyber-physical systems (CPSes) powered by tiny machine learning (TinyML), such as nano-drones, are becoming an increasingly attractive technology. Their small form factor (i.e., ~10cm diameter) ensures vast applicability, ranging from the exploration of narrow disaster scenarios to safe human-robot interaction. Simple electronics make these CPSes inexpensive, but strongly limit the computational, memory, and sensing resources available on board. In real-world applications, these limitations are further exacerbated by domain shift. This fundamental machine learning problem implies that model perception performance drops when moving from the training domain to a different deployment one. To cope with and mitigate this general problem, we present a novel on-device fine-tuning approach that relies only on the limited ultra-low power resources available aboard nano-drones. Then, to overcome the lack of ground-truth training labels aboard our CPS, we also employ a self-supervised method based on ego-motion consistency. Albeit our work builds on top of a specific real-world vision-based human pose estimation task, it is widely applicable for many embedded TinyML use cases. Our 512-image on-device training procedure is fully deployed aboard an ultra-low power GWT GAP9 System-on-Chip and requires only 1MB of memory while consuming as low as 19mW or running in just 510ms (at 38mW). Finally, we demonstrate the benefits of our on-device learning approach by field-testing our closed-loop CPS, showing a reduction in horizontal position error of up to 26% vs. a non-fine-tuned state-of-the-art baseline. In the most challenging never-seen-before environment, our on-device learning procedure makes the difference between succeeding or failing the mission.

چکیده به فارسی (ترجمه ماشینی)

سیستم های سایبری مینیاتوریزه (CPSEs) که از یادگیری ماشین ریز (TINYML) مانند نانو کشنده ها استفاده می شود ، به یک فناوری به طور فزاینده ای تبدیل می شوند.فاکتور شکل کوچک آنها (به عنوان مثال ، قطر 10 سانتی متر ~) کاربرد گسترده ای را تضمین می کند ، از اکتشاف سناریوهای باری فاجعه گرفته تا تعامل ایمن انسان.الکترونیک ساده این CPSE ها را ارزان می کند ، اما منابع محاسباتی ، حافظه و سنجش موجود در صفحه را به شدت محدود می کند.در برنامه های دنیای واقعی ، این محدودیت ها با تغییر دامنه تشدید می شوند.این مشکل اساسی یادگیری ماشین حاکی از آن است که عملکرد ادراک مدل هنگام حرکت از حوزه آموزش به یک استقرار متفاوت کاهش می یابد.برای مقابله و کاهش این مشکل کلی ، ما یک رویکرد تنظیم دقیق در مورد دستگاه را ارائه می دهیم که فقط به منابع قدرت فوق العاده کم محدود موجود در داخل نانو روکش ها متکی است.سپس ، برای غلبه بر عدم وجود برچسب های آموزش حقیقت زمین در CPS ما ، ما همچنین از یک روش خودکارد شده بر اساس قوام حرکات نفس استفاده می کنیم.البته کار ما در بالای یک کار تخمین خاص بر روی چشم انداز انسانی مبتنی بر دید واقعی قرار دارد ، اما برای بسیاری از موارد استفاده از tinyml تعبیه شده بسیار کاربرد دارد.روش آموزش 512 تصویر ما در زمینه دستگاه به طور کامل در یک سیستم فوق العاده کم GWT GAP9 سیستم روی تراشه مستقر شده است و فقط در حالی که کم مصرف 19 مگاوات یا فقط در 510ms (در 38 مگاوات) به 1 مگابایت حافظه نیاز دارد.سرانجام ، ما مزایای رویکرد یادگیری در دستگاه خود را با آزمایش CPS حلقه بسته خود نشان می دهیم ، که نشان دهنده کاهش خطای موقعیت افقی حداکثر 26 ٪ در مقابل یک تنظیم غیرقانونی غیرقانونی استپایهدر چالش برانگیزترین محیطی که قبلاً دیده نشده بود ، روش یادگیری در دستگاه ما تفاوت بین موفقیت یا عدم موفقیت در مأموریت را ایجاد می کند.