Distilling Tiny and Ultra-fast Deep Neural Networks for Autonomous Navigation on Nano-UAVs

纳米级无人机是收集狭小空间信息的物联网智能传感器的理想选择。这需要在非常紧密的内存/计算约束下进行超快速导航。PULP-Dronet卷积神经网络（CNN）可以实现在纳米级无人机上运行的自主导航，帧速率为19帧/秒，但代价是320 kB的大内存占用，并且在复杂情况下无人机控制受到碰撞避免和转向能力的分离训练的阻碍。在这项工作中，我们提炼出一组比PULP-Dronet具有更好能力的CNN，但内存占用量降低了高达168倍（降至2.9 kB），实现了高达139帧/秒的推理速率；我们收集了一个新的开源统一碰撞/转向66k图像数据集，以实现更强大的导航；我们对商用纳米级无人机上运行的PULP-Dronet和我们的微型CNN进行了彻底的现场分析。我们最小的CNN，称为Tiny-PULP-Dronet v3，在具有狭窄障碍物走廊和180度转弯的具有挑战性且从未见过的路径上以最大目标速度为0.5 m/s的速度导航成功率为100％。在相同的情况下，尽管参数多168倍，但SoA PULP-Dronet始终失败。

本论文旨在解决使用纳米级无人机进行物联网智能传感器收集信息的自主导航问题，同时减小内存占用和提高推断速度。

论文提出了一种新的卷积神经网络Tiny-PULP-Dronet v3，其内存占用仅为PULP-Dronet的1/168，但推断速度高达139帧/秒，同时在新的开源数据集上进行了实验，成功地完成了挑战性的导航任务。

本论文的亮点包括：提出了一种内存占用更小、推断速度更快的卷积神经网络；收集了新的开源数据集；在现场实验中成功地完成了挑战性的导航任务。

与本论文相关的研究包括PULP-Dronet和其他使用卷积神经网络进行自主导航的研究。