克日，，，，，，我院智能机械人中心团队在人工智能领域顶级期刊IEEE Transactions on Neural Networks and Learning Systems揭晓题为“Lifelong-MonoDepth: Lifelong Learning for Multi-Domain Monocular Metric Depth Estimation”的文章，，，，，，深入研究了基于终身学习的机械人场景深度预计问题 。。。。 。。
面向机械人在差别标准场景的多域(multi-domain)深度预计需求，，，，，，论文提出了一种基于终身学习的单目深度预计模子框架，，，，，，通过构建轻量级多分支深度预计网络，，，，，，以实现机械人硬件资源受限情形下的实时绝对深度预计 ；；；；；；；提出基于终身学习的实现算法，，，，，，能够实现模子的快速更新和迭代，，，，，，从而快速兼容新目的交互场景 。。。。 。。
论文链接：https://ieeexplore.ieee.org/document/10293000
期刊先容
IEEE Transactions on Neural Networks and Learning Systems是盘算机科学、神经网络和人工智能领域顶刊之一，，，，，，其影响因子为10.4，，，，，，为SCI一区和中科院一区顶刊，，，，，，录取率低于10% 。。。。 。。
研究配景
多域深度预计关于真实天下的机械人应用，，，，，，如测距、避障和导航等，，，，，，施展着主要作用 。。。。 。。已有的多域深度预计要领预先网络差别室内和室外场景下的大宗数据，，，，，，通过混淆大规模数据，，，，，，执行有监视学习的方法举行模子的训练 。。。。 。。然而，，，，，，由于场景标准的差别，，，，，，如室内和室外深度差别达10倍，，，，，，这些要领只能展望相对深度 。。。。 。。另一方面，，，，，，虽然通过混淆差别场景数据的方法能够提高模子在差别交互情形的泛化能力，，，，，，但当新的漫衍外场景泛起时，，，，，，此类要领仍然需要网络新场景数据并重新训练模子，，，，，，这就带来了在电力、训练时间、存储空间等各方面的本钱增添，，，，，，难以知足机械人现实安排的需求 。。。。 。。因此，，，，，，通过终身学习算法，，，，，，以最小化模子训练时间和数据网络价钱为目的，，，，，，让模子兼容新目的域，，，，，，并保存其在原始域的感知能力具有主要意义 。。。。 。 ；；；；；；；谥丈硌暗纳疃仍ぜ埔煸谝延惺虑橹谢竦昧似鹪刺剿，，，，，，然而这些要领只探索了相似场景的终身学习方法，，，，，，域差别较 。。。。 。 ；；；；；；；同时，，，，，，由于场景标准的差别，，，，，，已有事情只预计相对深度 。。。。 。。本文所提算法仅需保保存原始域上的少量训练数据，，，，，，因而可以节约数据存储空间并节约模子训练本钱 。。。。 。。另外，，，，，，所提算法在原始域和新域大标准差别挑战下均可准确地预计场景绝对深度，，，，，，具有较高的准确性和鲁棒性 。。。。 。。
研究内容
1. 模子设计
为应对机械人硬件资源受限以及高实时性要求的挑战，，，，，，本文构建一种轻量级深度预计模子，，，，，，以便在资源受限的条件下使机械人高效地执行深度预计使命 。。。。 。。由于真实交互场景标准差别大，，，，，，深度规模纷歧 。。。。 。。因此，，，，，，本文提出轻量级的多分支模子框架，，，，，，其中包括一个域共享的编码器以及多分支深度展望器，，，，，，各展望器能够自力学习以顺应差别场景的深度规模 。。。。 。。当需要在新域举行学习时，，，，，，只需动态添加一个参数较少的域特定展望器，，，，，，而无需重新设计整个模子结构 。。。。 。。该动态扩展的能力可付与模子更大的无邪性和可扩展性，，，，，，以顺应机械人目的交互场景一直转变的需求 。。。。 。。
图1给出了可视化了模子在三个差别领域的学习框架 。。。。 。。该模子从一个深度展望器f1最先，，，，，，用于在目的域D1的学习，，，，，，并动态地扩展其展望器f2和f3，，，，，，从而依次在目的域D2和D3上举行学习 。。。。 。。在模子推断时，，，，，，通过比照输入数据在特征空间中与各域之间的距离，，，，，，自顺应地选取响应的展望器举行深度预计 。。。。 。。
图1：多分支场景深度预计模子
2. 模子训练
面临差别场景的数据漫衍差别，，，，，，本文引入深度一致性和不确定性约束，，，，，，提出基于不确定性损失的新目的域深度预计能力获取和原始域深度预计能力保存要领 。。。。 。。其中，，，，，，深度一致性约束有助于确保在差别场景下，，，，，，模子对深度预计使命的执行坚持一致性，，，，，，阻止了差别域之间的显着性能差别 。。。。 。。另一方面，，，，，，不确定性约束则使模子能够更好地捕获各域之间的数据差别，，，，，，从而缓解各域之间的标准差别 。。。。 。。别的，，，，，，为避免模子在学习新域时对原始域深度预计能力的灾难性遗忘，，，，，，接纳少量原始域数据的回放战略 。。。。 。。通过一直牢靠对原始域使命的深度预计能力，，，，，，确保在多域学习历程中坚持稳固的性能水平 。。。。 。。
3. 模子安排
在完成在所有目的域的学习之后，，，，，，理想情形下，，，，，，该模子能够从多个目的域中取样的任何图像都准确预计其深度图 。。。。 。。由于模子具有多个分支展望器，，，，，，一个现实的挑战是怎样识别该图像的所属域，，，，，，并响应地自动选择响应的展望器 。。。。 。。为相识决这个问题，，，，，，本文提出识别给定图像与特征空间中每个域之间的最小距离 。。。。 。。由于我们保存了每个域的一个小子集，，，，，，因而可以获得每个域的平均特征近似值，，，，，，通过比照输入数据与各域在特征空间中的差别，，，，，，从而判断响应的展望器 。。。。 。。
4. 实验效果
如图2所示，，，，，，所提要领能够对差别标准场景下举行准确的深度预计 。。。。 。。
图2：三个差别场景下的深度预计示例
研究结论
本文提出了面向差别标准场景下多域深度预计的终身学习模子 。。。。 。。与已有要领相比，，，，，，所提模子在域差别大的挑战下，，，，，，具有较高的精度和实时性 。。。。 。。本文要领是首次能够在域差别较大的情形下，，，，，，举行终身学习并预计绝对深度 。。。。 。。
作者简介
本文第一作者胡君杰博士是我院智能机械人中心助理研究员，，，，，，深圳市外洋高条理人才、深圳市龙岗区深龙英才 。。。。 。。于2020年3月结业于日本东北大学，，，，，，研究偏向为人工智能、模式识别、机械人 。。。。 。。已在 T-PAMI、TNNLS、T-RO、RA-L、ICCV、IJCAI、ICRA、IROS 等顶尖国际期刊及聚会揭晓论文20余篇 。。。。 。。
本文通讯作者林天麟，，，，，，香港中文大学（深圳）助理教授，，，，，，博士生导师，，，，，，广东省优异青年基金获得者，，，，，，IEEE高级会员，，，，，，担当机械人与智能制造国家地方团结工程实验室常务副主任、优德官网（优德官网）智能机械人中心主任 。。。。 。。师从徐扬生院士，，，，，，划分于2006年和2010年在香港中文大学获得一等声誉学士学位和博士学位 。。。。 。。研究偏向包括模？？？？？？榛等恕⒍嗷等讼低臣疤刂只等说 。。。。 。。林教授至今在T-RO、TPAMI、TIP、TMECH、ICRA、IROS等着名期刊及聚会揭晓论文100余篇，，，，，，其中2023年以自力通讯作者身份在T-RO揭晓论文5篇 ；；；；；；；获TMECH年度最佳论文奖，，，，，，IROS机械人机构设计最佳论文奖 ；；；；；；；作为项目认真人，，，，，，主持国家自然科学基金委、国家科技部、广东省科技厅、深圳市科创委的多项科研项目 ；；；；；；；相关研究效果被路透社、探索频道、日本放送协会NHK、IEEE Spectrum等众多国际着名媒体报导 。。。。 。。
团队先容
优德官网智能机械人中心由林天麟教授向导，，，，，，旨在研究多机械人系统自由组成种种形态以解决不可预知问题的要害手艺，，，，，，通过简朴智能体的集群实现重大的智能群体行为，，，，，，让机械人系统拥有可复用、自由构型、可拓展、故障自修复等通用特征，，，，，，为机械人设计领域创立出一种全新切实可行的实现形态 。。。。 。。
团队恒久从事机械人和人工智能研究，，，，，，开发了十余种机械人和智能系统 ；；；；；；；肩负来自国家自然科学基金委、国家科技部、广东省科技厅、深圳市科创委等多项主要研究项目 ；；；；；；；科研效果揭晓于T-RO、TPAMI、TIP、TMECH、ICRA、IROS等机械人与人工智能领域的国际期刊和聚会上，，，，，，其中2023年在T-RO揭晓论文5篇 。。。。 。。关于模？？？？？？榛灾毓够等薋reeBOT的研究效果获2020年IROS机械人机构与设计最佳论文奖，，，，，，IEEE Spectrum、日本放送协会NHK和Engadget 等多家国际着名媒体对其举行了普遍报道 。。。。 。。
相识团队更多论文和视频信息：
团队主页：https://freeformrobotics.org
团队B站-CUHKSZ-RAIL：https://space.bilibili.com/691821613
* 相关论文信息由论文作者提供
