摘要

本文介绍了一种名为NaviSlim的新型神经导航模型，专为受计算能力和能量储备严重限制的小型自主飞行器（如微型无人机）设计。NaviSlim模型能够根据当前环境（如环境难度、当前轨迹和导航目标）动态调整计算和传感资源的消耗，从而优化执行时间和能量消耗。该模型通过在Microsoft AirSim的强大模拟环境中进行广泛训练和测试，显示出在不同难度场景下的动态模型复杂度平均减少57-92%，传感器利用率减少61-80%。

原理

NaviSlim采用了一种称为“gated slimmable neural network”的架构，这种架构能够动态选择一个“slimming factor”来自主地调整模型复杂度。与现有的slimmable networks不同，NaviSlim不仅能够调整神经网络的宽度（水平方向），还能够通过“early exits”调整深度（垂直方向），从而在处理输入时根据输出的置信度动态终止处理，减少总体操作数量。此外，NaviSlim还能够动态调整机载传感器的功率水平，以减少传感器采集过程中的功率和时间消耗，而无需切换不同的神经网络。

流程

NaviSlim的工作流程包括以下几个关键步骤：首先，无人机通过多种深度传感器（如LiDARs）和GPS模块获取环境信息。这些信息被输入到一个神经网络中，该网络输出运动命令以控制无人机的飞行。NaviSlim模型通过一个“FIFO queue”作为注意力机制，处理最近的传感器观察结果，并输出预测的导航动作、计算操作和传感命令。整个系统通过深度强化学习算法进行训练，以优化导航路径和资源使用。

应用

NaviSlim模型的应用前景广泛，特别适用于资源受限的微型无人机在探索、监视和交付等领域的应用。通过动态调整计算和传感资源，NaviSlim能够在保证导航精度的同时，显著减少能量消耗和执行时间，这对于提高无人机的续航能力和操作效率具有重要意义。