深度學習與機器人的結合應用
本文在討論改進機器人的全地形適應能力，並利用 FPGA 加速的 BNN 深度學習模型增加探測機器人的自主智慧，以適應未知環境中自主探測任務的需求。文中著重於深度學習與機器人的結合應用，設計在複雜環境下智慧探測、識別的自主探測機器人，利用 PYNQ 實現 BNN 二值神經網路，將物體識別深度模型移植到嵌入式終端應用，並設計了輪腿式複合運動方式，以提高探測機器人的運動能力。
採用地面輪腿式移動形式，高效的輪式運動和靈活的腿式運動相結合，具有較高的地面適應力和越障能力； 利用 PYNQ FPGA 加速的 BNN 二值神經網路模型，實現機器學習物體識別模型，增加未知環境探測器的智慧程度，更可自行進行數據訓練，達到特殊場合的應用，讓探測器更加智慧化。
本設計由以下幾個系統組成：底盤底層控制系統、遠程監控系統、機器學習物體識別系統，各系統相互整合在整個機器人系統中，系統硬體系統中應用了 PYNQ與電腦，搭配攝影鏡頭頭、電機驅動板等零件，實現完整的機器人系統功能。
複雜環境下的複合運動方式設計完成後，利用 3D 列印設計輪腿式結構，底盤的運動方案採用的是 Ackerman 轉向結構，由前後貫通橋提供四驅動力，利用前橋轉向舵進行轉向控制。 自主智慧識別部分使用 FINN 框架，利用 FPGA 實現 BNN 物體識別模型，能夠識別普通物體，還可以自行訓練網路。 目前系統已完成基本功能，還在繼續優化設計中。
(本文為 2017 DDC 中國區選拔賽參賽作品)