Tiny-PULP-Dronets: Squeezing Neural Networks for Faster and Lighter Inference on Multi-Tasking Autonomous Nano-Drones

袖珍的自主纳米无人机可以彻底改变许多机器人使用情景，例如在狭窄、受限空间进行视觉检查，并确保更安全的人机交互，这是由于它们微小的体积和重量（即数十克）。然而，这个迷人的愿景面临着高度智能化的挑战，因为这与PULP（并行超低功耗）MCU类导航和任务控制器上可用的有限计算和存储资源相冲突。本文从PULP-Dronet开始，这是一种用于纳米无人机自主导航的最先进的卷积神经网络。我们介绍了Tiny-PULP-Dronet：一种新的方法，可以将模型大小（参数减少50倍）和所需的操作数量（乘法和累加运算减少27倍）压缩一个数量级以上，以实现类似于PULP-Dronet的推理飞行性能。这种巨大的减少为纳米无人机上的经济多任务铺平了道路，这是实现高级智能的基本要求。

如何在计算和存储资源有限的情况下，实现能够在口袋大小的自主纳米无人机上运行的高级智能算法？

提出一种新的方法，称为Tiny-PULP-Dronet，可以将PULP-Dronet模型大小和操作数量分别减少50倍和27倍，从而实现在纳米无人机上运行高级智能算法。

使用了State-of-the-Art卷积神经网络PULP-Dronet作为基础，通过新的方法实现了模型大小和操作数量的大幅减少。实验结果表明，Tiny-PULP-Dronet与PULP-Dronet相比，具有类似的飞行性能，但可以在纳米无人机上运行。该方法为实现在纳米无人机上进行多任务提供了可能。

最近的相关研究包括：1）在嵌入式设备上运行深度学习模型的研究；2）在小型无人机上运行高级智能算法的研究。