章佳琪,肖 建

(1.南京邮电大学 电子与光学工程学院、柔性电子(未来技术)学院,江苏 南京 210046;2.南京邮电大学 集成电路科学与工程学院,江苏 南京 210046)

0 引 言

随着当今社会经济和AI技术的快速发展,中国移动机器人行业迎来了爆发式增长,移动机器人也被广泛应用于工业、服务、农业、医疗等社会各领域。移动机器人通过相机等视觉传感器感知环境,使用目标检测算法识别并定位物体。目标检测算法作为移动机器人感知环境能力中的重要一环,在应用时也对其运行速度和精度提出了愈来愈高的要求。目标检测算法模型庞大,占用较多的存储资源,且计算复杂,通常运行于算力强大,计算资源丰富的设备上,而嵌入式设备存储空间有限,计算资源不足[1]。目标检测算法在嵌入式设备中部署往往存在因模型庞大导致存储空间不足、检测算法准确度不高和运行效率低下等问题。因此,适用于移动机器人的目标检测算法已成为当今机器人研究领域的一大热点。

目前,目标检测算法可以大致分为两类。一类是二阶段算法模型,如基于区域的卷积神经网络R-CNN[2]、Fast R-CNN[3]、Faster R-CNN[4]。这类二阶段算法模型首先需要获取目标候选帧,然后对候选帧进行一系列的分类和回归操作,其优点是识别精度较高。另一类是单阶段算法模型,其中YOLO系列算法是最典型的代表,其优点是识别速度快、识别精度高。虽然二阶段算法模型精度较高,但一阶段算法模型所需计算资源更少,运行速度更快,更适合部署在嵌入式设备中,因此基于YOLO改进的算法模型在嵌入式部署领域应用更为广泛。……