arXiv cs.AI· Hongpeng Cao, Riccardo Curcio, Daniele Ottaviano, Marco Caccamo·· 10 天前AI 评分27
微型神经策略（MNP）实现安全实时机器人控制
Micro Neural Policies for Safe Real-Time Robotic Control
AI 导读
研究者提出微型神经策略（MNP），将进化策略（ES）与统计模型检测（SMC）验证结合用于策略搜索，大幅缩小神经网络规模而不牺牲安全性与鲁棒性。在 Cartpole 和 Quadrotor 任务上完成大规模训练与评估后，MNP 实现零样本 sim-to-real 迁移，内存占用仅 0.5 至 7.5 kB，可在微控制器上部署，实时推理抖动低于 25 ns，芯片空闲时间超过 97%。
正文 · AI 翻译
摘要：在本文中，我们研究了微神经网络策略（MNP）的合成，以在计算资源受限的嵌入式设备上实现安全且鲁棒的实时机器人控制。我们证明，将进化策略（ES）与基于统计模型检验（SMC）的验证相结合用于策略搜索，可以在不牺牲安全性和鲁棒性的前提下大幅减小神经网络规模。我们在 Cartpole 和 Quadrotor 控制任务上对 MNP 进行了大规模训练与评估，并改变了控制频率和网络架构。在仿真中验证这些策略后，我们通过零样本迁移到物理系统来评估其可部署性。我们的实验表明，MNP 能够成功实现安全的仿真到现实迁移，且不牺牲控制性能。随后我们表明，这些策略的内存占用范围为 0.5 到 7.5 kB，使其能够部署在微控制器上，在那里它们实现实时推理延迟，抖动低于 25 ns，同时芯片空闲时间超过 97%，可用于额外工作负载。这使其成为资源严重受限的机器人系统的高度实用解决方案。
| 评论： | 9 页 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.08541 [cs.RO] |
| （或 arXiv:2610.08541v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08541 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hongpeng Cao [查看电子邮件]
[v1]
2026年10月6日星期二 15:29:28 UTC（1,144 KB）
来源：arXiv cs.AI · arxiv.org