基于恒虚警率的深度神经网络Dropout正则化方法

为进一步提高深度神经网络算法在嵌入式机器人系统中的物体识别性能,提出了一种基于恒虚警率检测的深度神经网络Dropout正则化方法(CFAR-Dropout)。首先,通过对权重进行量化,将权重和激活从浮点数减少到二进制值;然后,设计了一个恒虚警检测器(CFAR),保持一定的虚警率,自适应地删减一些神经元节点,优化参与计算的神经元节点;最后,在嵌入式平台PYNQ-Z2上,使用基于VGG16的优化模型对算法的物体识别性能进行实验验证。实验结果表明,与使用经典的Dropout正则化方法相比,CFAR-Dropout正则化方法的错误率降低了约2%,有效防止了过拟合;与原本的网络结构相比,参数量所占内存减少到8%左右,有效防止了过参数化。

基于模型设计方法的机器人柔性运动控制算法的实现

运动控制算法是机器人系统设计的关键技术,通常面临通用性差、嵌入算法复杂、设计周期长等问题。本文结合嵌入复杂的柔性S形加减速运动控制算法,提出了一种基于模型的软硬件协同高效设计方法,可以大大缩短机器人运动控制系统的设计周期,提高开发效率。通过对柔性运动控制算法建模,建立了一组易于解算的接口参数列表,算法将根据输入列表参数自适应变化运动速度规划,提高应用灵活性。在Simulink中完成了柔性运动控制算法的模型设计与仿真测试;然后通过MathWorks工具箱为模型自动生成嵌入式C代码和可编程逻辑IP核;最后在以Zynq-7000为核心的运动控制器中实现算法功能。实验结果验证了基于模型的软硬件协同设计方法的可行性和有效性。