飞行训练：20 mW 内的纳米无人机上的设备端自主学习
内容提要
本文介绍了一种新型自适应深度学习机制，旨在提高纳米无人机的视觉姿态估计能力。该系统结合卷积神经网络和新策略，在保持精度的同时减少了28%的延迟。此外，研究还提出了低功耗的自主导航引擎和基于边缘计算的分布式执行方案，显著提升了无人机的性能和智能化水平。
延伸解读
设备端自主学习的意义
文章强调在纳米无人机上实现设备端自主学习，以解决领域转换问题。这有助于无人机在动态环境中自适应，减少对云端依赖，提升响应速度和隐私性。但设备端学习受限于计算资源，需要高效算法支持。
性能与效率的平衡
通过结合卷积神经网络和新适应策略，系统在保持相同平均绝对误差（MAE）的同时减少了28%的延迟，甚至在某些情况下MAE降低3%，峰值性能比SoA模型好6%。这表明在资源受限的纳米无人机上，通过算法优化可以实现精度与效率的平衡。
低功耗导航引擎与分布式执行
研究提出了基于GAP8的低功耗自主导航引擎，能在严格实时约束下执行复杂深度卷积神经网络，实现闭环端到端视觉导航。同时，基于边缘-雾计算的分布式执行方案增强了视觉位姿估计网络的性能和安全性，为纳米无人机在受限空间中的视觉检查等任务提供了支持。
模型压缩与多任务潜力
Tiny-PULP-Dronet方法将模型大小压缩50倍，乘加运算减少27倍，大幅降低成本，使纳米无人机能够实现多任务处理和高级智能。这种压缩技术为在几十克重的无人机上部署复杂深度学习模型提供了可能，但可能牺牲一定的泛化能力。
Q&A
纳米无人机的视觉姿态估计能力如何提高？
通过一种新型自适应深度学习机制，结合卷积神经网络和新策略，显著提高了视觉姿态估计能力。
该系统在延迟和精度方面的表现如何？
该系统减少了28%的延迟，同时保持了相同的平均绝对误差（MAE），并且MAE减少了3%。
低功耗自主导航引擎的特点是什么？
低功耗自主导航引擎能够在严格的实时约束下执行复杂的深度卷积神经网络，且能耗较小。
Tiny-PULP-Dronet方法的优势是什么？
Tiny-PULP-Dronet方法显著压缩了模型大小和运算数量，降低了成本，助力纳米无人机实现多任务处理和高级智能。
边缘计算在无人机中的应用效果如何？
基于边缘计算的分布式执行方案增强了视觉位姿估计网络的性能和安全性，提高了对云端计算的可靠性。
该研究如何解决数据稀缺性问题？
通过TinyTrain方法选择性更新模型的部分，明确处理数据稀缺性，大大减少了训练时间。
