在给定的硬件资源约束下，我们设计了深度神经网络，对应的网络拆分来将 DNN 的工作负载分配到摄像头传感器和中央聚合器上的头戴设备上，以满足系统性能目标，通过 SplitNets 框架进行模型设计、拆分和通信减少，进一步扩展框架用于多视图系统，以实现从多个相机传感器中输入的最佳性能和系统效率的融合学习，并在 ImageNet 和 3D 分类的单视图及多视图系统上验证拆分网络的表现优于现有方法。

Apr, 2022

本文主要介绍了一种名为 NaviSlim 的新型神经导航模型，它是一种有能力根据当前环境、当前轨迹和导航目标选择计算资源和传感资源的神经网络架构，可以自动缩放模型复杂性，优化执行时间和能量消耗，并且可以自动降低传感器的功耗和采集时间，相较于静态神经网络，NaviSlim 模型在不同难度的场景中平均可以降低 57-92% 的模型复杂性和 61-80% 的传感器利用率。

May, 2024

本文介绍了一种用于小型自主飞行器（如无人机）的自主导航引擎，此引擎基于神经网络和并行低功耗计算平台 GAP8，可以使得纳米无人机在严格的实时约束下完整地执行复杂的深度卷积神经网络，以实现闭环端到端可视化导航，同时系统耗能相对较小，且不会对飞行结果进行任何妥协。

May, 2018

通过使用深度神经网络进行视觉姿态估计任务的新型自动优化流程，本研究针对小型自主无人机的智能化实现提出了两种不同的神经架构搜索算法，采用一套新颖的软件核心，通过并行超低功耗的片上系统在现成的纳米无人机上执行关键深度神经网络层序列，成功提高了当前技术水平并将推理延迟降低高达 3.22 倍。

Feb, 2024

通过使用超低功耗的 GAP8 芯片与卷积神经网络，我们实现了一种使用图像视觉引导的自主导航算法，在小型纳米无人机上实现了全自主室内导航，提高了其对高速飞行中的障碍物的响应速度，同时公开了代码、数据集和模型参数，以促进无人机研究的发展

May, 2019

利用深度神经网络改进自主无人机导航，提出 A3D 边缘服务器辅助的无人机导航框架，可动态调整任务执行位置、输入分辨率和图像压缩比，以实现低推理延迟、高预测准确性和长飞行距离。证实 A3D 相比非自适应方案可将端到端延迟减少 28.06％，飞行距离延长高达 27.28％。

Jul, 2023

运用神经结构搜索技术 (NAS), 我们为视觉姿态估计任务自动确定了几个帕累托最优的卷积神经网络 (CNNs), 以适应小型 UAV 硬件限制的特点，展示了现实生活中多个 NAS 优化的 CNNs 可以在 27 克的 Crazyflie 纳米 UAV 上运行，并通过降低 32％的实地控制误差，具有实时的推断速率～10Hz@10mW 和～50Hz@90mW，从而进一步优化了 CNNs。

Mar, 2023

DeepNav 是一个基于卷积神经网络（CNN）的算法，使用城市街景图像实现导航；使用 10 个城市图形和超过 100 万个街景图像组织的数据集，提出了 3 种监督学习方法，并表明可以使用 A * 搜索在城市图中生成学习的监督。

Jan, 2017

该研究提出了一种使用廉价的现成硬件构建的微型飞行器系统，其利用名为 TrailNet 的深度神经网络自主跟踪树林等户外环境中的小路，结合视觉感知技术，包括对象检测和视觉里程计模块，以实现更加稳定和准确的飞行。

May, 2017

本文提出了一个用于优化深度学习算法输入、模型推理通信、深度学习算法的自适应优化框架，并通过评估表明，将数据的 70% 分配给辅助结点可以最小化离线延迟，节约总操作时间。

May, 2023