摘要

在移动机器人中检测物体对于许多应用至关重要，从自主导航到检查。然而，机器人通常需要在与其训练环境不同的领域中运行，这要求它们适应这些变化。小型移动机器人由于受到尺寸、功率和计算能力的限制，运行和适应这些算法时面临更多困难。然而，这种适应能力对于实际部署至关重要，因为在现实世界中，机器人必须在动态且不可预测的环境中有效运行。在这项工作中，我们引入了一个新的基准来评估小型机器人平台上的物体检测系统的持续学习能力。我们的贡献包括：(i) 小型机器人物体检测（Tiny Robotics Object Detection, TiROD），这是一个使用小型移动机器人的车载相机收集的综合数据集，旨在测试不同领域和类别的物体检测器；(ii) 使用轻量级物体检测器NanoDet在该数据集上对不同持续学习策略进行的基准测试。我们的结果突显了在小型机器人中开发稳健且高效的持续学习策略的关键挑战。