一種基于輕量級(jí)堆疊沙漏網(wǎng)絡(luò)的機(jī)械臂姿態(tài)估計(jì)方法

王 琦,鄭飂默,王詩宇,劉信君,郭 威

1(中國科學(xué)院大學(xué),北京 100049)2(中國科學(xué)院 沈陽計(jì)算技術(shù)研究所,沈陽 110168)3(沈陽中科數(shù)控技術(shù)股份有限公司,沈陽 110168)4(鹽城師范學(xué)院 信息工程學(xué)院,江蘇 鹽城 224002)

1 引 言

精準(zhǔn)而靈活的機(jī)械臂在工業(yè)制造領(lǐng)域中有著廣泛的應(yīng)用,機(jī)械臂能夠執(zhí)行裝配作業(yè)、物體抓取、人機(jī)交互、碰撞檢測等任務(wù)[1].近年來,基于視覺的機(jī)械臂控制受到了越來越多的關(guān)注,與使用特定傳感器的傳統(tǒng)系統(tǒng)相比,視覺系統(tǒng)具有更大的信息量,更加靈活,能夠適應(yīng)復(fù)雜多樣的任務(wù)[2,3].基于視覺的機(jī)械臂控制系統(tǒng)[4,5]能夠根據(jù)視覺信息對(duì)機(jī)械臂進(jìn)行控制,并且可以進(jìn)一步地實(shí)現(xiàn)機(jī)械臂的抓取[6,7].而如果我們想對(duì)機(jī)械臂進(jìn)行控制,首先就要知道機(jī)械臂各個(gè)關(guān)節(jié)的位置,即機(jī)械臂的姿態(tài),因此機(jī)械臂的姿態(tài)估計(jì)是機(jī)械臂進(jìn)行控制必不可少的一步,對(duì)于機(jī)械臂控制系統(tǒng)的實(shí)現(xiàn)至關(guān)重要.

在實(shí)際的機(jī)械臂應(yīng)用中,機(jī)械臂所能提供的存儲(chǔ)資源和計(jì)算資源有限,機(jī)械臂的姿態(tài)估計(jì)不僅需要模型有較高的精度,還要求模型具有較小的參數(shù)量和計(jì)算量.因此,在機(jī)械臂姿態(tài)估計(jì)的過程中,如何減少模型的參數(shù)量和計(jì)算量是一個(gè)非常重要且現(xiàn)實(shí)的研究課題.

針對(duì)機(jī)械臂的姿態(tài)估計(jì)問題,學(xué)術(shù)界已經(jīng)開展了相關(guān)的研究工作.Zuo等人[8]使用3D模型生成了大量的虛擬數(shù)據(jù),在此虛擬領(lǐng)域中訓(xùn)練視覺模型,并在領(lǐng)域自適應(yīng)后應(yīng)用于真實(shí)世界的圖像.此外,其設(shè)計(jì)了一種半監(jiān)督方法,該方法充分利用了關(guān)鍵點(diǎn)之間的幾何約束,使用迭代算法進(jìn)行優(yōu)化.Lee等人[1]提出了一種從單個(gè)圖像估計(jì)機(jī)械臂姿態(tài)的方法,其使用深度神經(jīng)網(wǎng)絡(luò)來處理RGB圖像來檢測機(jī)械臂上的關(guān)鍵點(diǎn),并且使用域隨機(jī)化完全在模擬數(shù)據(jù)上進(jìn)行網(wǎng)絡(luò)的訓(xùn)練.Widmaier等人[9]使用機(jī)械臂的深度圖像作為輸入來直接估計(jì)角關(guān)節(jié)的位置.其使用了一個(gè)隨機(jī)回歸森林來進(jìn)行估計(jì),該模型使用合成生成的數(shù)據(jù)進(jìn)行訓(xùn)練.Tremblay等人[10]使用RGB圖像作為神經(jīng)網(wǎng)絡(luò)的輸入,并在虛擬數(shù)據(jù)上訓(xùn)練神經(jīng)網(wǎng)絡(luò),通過領(lǐng)域隨機(jī)化來彌補(bǔ)虛擬和真實(shí)的差距,該神經(jīng)網(wǎng)絡(luò)還會(huì)執(zhí)行在線的相機(jī)標(biāo)定來更精準(zhǔn)地估計(jì)機(jī)械臂的姿態(tài).Bohg等人[11]使用隨機(jī)決策森林來分割機(jī)械臂之間的連接,并使用標(biāo)注好的深度圖像進(jìn)行訓(xùn)練,從而來估計(jì)機(jī)械臂真實(shí)關(guān)節(jié)的位置.盡管上述算法的精度很高,但這些方法仍存在參數(shù)量和計(jì)算量過大等不足.現(xiàn)有方法往往通過犧牲模型效率來換取精度優(yōu)勢,精度越高的方法所需要的計(jì)算開銷也越大.在云上部署這些高精度模型會(huì)很困難,龐大的參數(shù)量也限制了模型在資源受限設(shè)備(比如機(jī)械臂、手機(jī)等設(shè)備)上的部署.這些高精度模型需要巨大的計(jì)算開銷和內(nèi)存開銷,嚴(yán)重阻礙了資源受限情況下的使用.

針對(duì)現(xiàn)有研究中缺乏通用的模型輕量化方法以及輕量級(jí)模型會(huì)面臨的性能退化問題,本文以堆疊沙漏網(wǎng)絡(luò)為基礎(chǔ),構(gòu)建了具有兩個(gè)堆的堆疊沙漏網(wǎng)絡(luò),并使用了一種全新的神經(jīng)網(wǎng)絡(luò)基本單元Ghost模塊來替代堆疊沙漏網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積,從而搭建出輕量級(jí)的機(jī)械臂姿態(tài)估計(jì)神經(jīng)網(wǎng)絡(luò),即Ghost-SHN(Ghost Module-Based Stacked Hourglass Network).Ghost-SHN在保留模型泛化性能的前提下改善機(jī)械臂姿態(tài)估計(jì)模型的推理效率,能夠更好地在機(jī)械臂上進(jìn)行部署,實(shí)現(xiàn)了輕量級(jí)的機(jī)械臂姿態(tài)估計(jì).

2 相關(guān)理論

2.1 堆疊沙漏網(wǎng)絡(luò)

堆疊沙漏網(wǎng)絡(luò)(Stacked Hourglass Network,SHN)[12]是由Newell等人提出的用于姿態(tài)估計(jì)的神經(jīng)網(wǎng)絡(luò).基于這種網(wǎng)絡(luò)結(jié)構(gòu)的人體姿態(tài)識(shí)別方法獲得了 MPII 2016 競賽的冠軍.

SHN由多個(gè)堆疊起來的沙漏模塊(Hourglass Module)組成.類似Inception[13]的殘差塊(Residual Block)組成了沙漏模塊.

沙漏模塊主要由下采樣與上采樣操作構(gòu)成.下采樣是通過卷積及池化操作實(shí)現(xiàn)的,以獲得分辨率較低的特征圖,降低計(jì)算復(fù)雜度.之后通過最近鄰插值法(Nearest Interpolation)進(jìn)行上采樣,使圖像特征的分辨率提高.此外,直連邊(Shortcut Connection)可以向該模塊的后半部傳遞所有分辨率的特征.該網(wǎng)絡(luò)結(jié)構(gòu)提取的特征融合了多尺度及上下文信息,具有較強(qiáng)的預(yù)測物體位置的能力.

相較于其他姿態(tài)估計(jì)方法,SHN擁有更加簡明且易于擴(kuò)展的結(jié)構(gòu),并且更加準(zhǔn)確高效.

2.2 模型壓縮方法

因?yàn)镾HN之類的神經(jīng)網(wǎng)絡(luò)模型又大又慢,所以將其部署到機(jī)械臂等資源受限設(shè)備很困難.因此,學(xué)者們提出了一些模型的壓縮方法,比如剪枝[14]、量化[15]、知識(shí)蒸餾[16,17]等;還有一些研究則致力于緊致的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì),比如MobileNet[18]和ShuffleNet[19]就是兩個(gè)非常經(jīng)典的緊致網(wǎng)絡(luò)結(jié)構(gòu).

MobileNet將普通卷積替換為深度可分離卷積(Depthwise Separable Convolution,DSC).深度可分離卷積通過深度卷積(Depthwise Convolution)和卷積這兩個(gè)操作來實(shí)現(xiàn),從而實(shí)現(xiàn)了網(wǎng)絡(luò)的輕量化.

由于MobileNet中大量使用1×1卷積,為了得到更加輕量級(jí)的網(wǎng)絡(luò),ShuffleNet將1×1卷積替換為組卷積并引入通道打亂(Channel Shuffle),從而在加快速度的同時(shí)保證模型的精度.

除了上述經(jīng)典的模型壓縮方法外,Han等人[20]提出了一種新穎的Ghost模塊,其可以使用更少的參數(shù)來生成更多特征圖,并且與普通卷積相比,在輸出特征圖大小不變的情況下,Ghost模塊中所需的參數(shù)量和計(jì)算量都有一定程度的減少.

在本文4.3節(jié)“實(shí)驗(yàn)過程與結(jié)果分析”中,我們將分別采用MobileNet和ShuffleNet中使用的方法來對(duì)堆疊沙漏網(wǎng)絡(luò)進(jìn)行模型壓縮,并與本文提出的模型進(jìn)行對(duì)比.

3 輕量級(jí)機(jī)械臂姿態(tài)估計(jì)

由SHN的網(wǎng)絡(luò)結(jié)構(gòu)可知,SHN使用了大量的卷積,但這些卷積會(huì)占據(jù)大量的參數(shù)量和計(jì)算量,這給機(jī)械臂姿態(tài)估計(jì)模型在機(jī)械臂上的部署帶來了挑戰(zhàn).為了減少SHN的參數(shù)量與計(jì)算量,本文引入了Ghost模塊,提出了一種新的基于Ghost模塊的堆疊沙漏網(wǎng)絡(luò),簡稱為Ghost-SHN.Ghost-SHN以SHN為基礎(chǔ),通過替換SHN的普通卷積為Ghost模塊,有效地減少了模型的參數(shù)量和計(jì)算量.

3.1 基于Ghost模塊的堆疊沙漏網(wǎng)絡(luò)

Ghost-SHN用來檢測機(jī)械臂的關(guān)鍵點(diǎn),其輸入是機(jī)械臂的圖像,輸出是機(jī)械臂圖像的熱圖(Heatmap),并將熱圖中響應(yīng)值較大的區(qū)域視為關(guān)鍵點(diǎn),每個(gè)關(guān)鍵點(diǎn)對(duì)應(yīng)一個(gè)熱圖.Ghost-SHN由兩個(gè)沙漏模塊組成,每個(gè)沙漏模塊由多個(gè)殘差塊組成,每個(gè)殘差塊的卷積被替換為Ghost模塊,其結(jié)構(gòu)如圖1所示.下面具體介紹下Ghost-SHN中單個(gè)沙漏模塊以及沙漏模塊中殘差塊的結(jié)構(gòu).

圖1 Ghost-SHN網(wǎng)絡(luò)結(jié)構(gòu)

Ghost-SHN的單個(gè)沙漏模塊用來捕捉機(jī)械臂各個(gè)尺度的信息,其結(jié)構(gòu)如圖2所示.在沙漏模塊中,特征圖(Feature Map)的計(jì)算可分為兩個(gè)階段:自頂向下(Top-Down)階段和自底向上(Bottom-Up)階段.在自頂向下階段中,沙漏模塊使用Ghost模塊和池化操作(Pooling Operation)進(jìn)行下采樣.當(dāng)特征圖的分辨率達(dá)到最低的時(shí)候,沙漏模塊開始自底向上階段.在自底向上階段,沙漏模塊采用最近鄰插值來進(jìn)行上采樣,并且通過直連邊把較高分辨率的特征圖拿過來,再將這兩部分特征按元素位置進(jìn)行相加(Elementwise Addition),因此沙漏模塊能夠提取多尺度特征.

圖2 單個(gè)沙漏模塊的結(jié)構(gòu)

圖2中的方塊是殘差塊,殘差塊中的特征映射可分為殘差映射(Residual Mapping)和恒等映射(Identity Mapping).我們將組成單個(gè)沙漏模塊的殘差塊中的普通卷積替換成Ghost模塊(除了1×1卷積).因此殘差塊包括了一個(gè)Ghost模塊和兩個(gè)1×1卷積,其具體結(jié)構(gòu)如圖3所示.

圖3 殘差塊結(jié)構(gòu)

假設(shè)輸入的數(shù)據(jù)為X′∈c′×h′×w′,其中c′是輸入數(shù)據(jù)的通道數(shù),h′和w′分別是輸入數(shù)據(jù)的高度和寬度.假設(shè)要輸出m個(gè)特征圖,SHN使用的是的p×p卷積,則計(jì)算過程如式(1)所示.

Y′=X′*W

(1)

其中*是卷積運(yùn)算,W∈c′×p×p×m是這一層中的卷積核,Y′∈h″×w″×m是具有m個(gè)通道的輸出特征圖,h″和w″分別是輸出數(shù)據(jù)的高度和寬度.

Ghost-SHN中使用的是Ghost模塊,Ghost模塊使用一次卷積(Primary Convolution)來生成n個(gè)原始特征圖,一次卷積與普通卷積的超參數(shù)相同,其計(jì)算過程如式(2)所示.

Y″=X′*W′

(2)

其中W′∈c′×p×p×n是卷積核,n≤m.接著,本文對(duì)每個(gè)原始特征使用線性運(yùn)算來生成k個(gè)幻影特征圖,具體計(jì)算過程如式(3)所示.

(3)

(4)

因?yàn)榫€性運(yùn)算g在每個(gè)通道上執(zhí)行,所以其計(jì)算量比普通卷積少得多.

3.2 模型復(fù)雜度分析

接下來,本文分析下Ghost-SHN的模型復(fù)雜度.首先對(duì)比下SHN和Ghost-SHN的參數(shù)量,假設(shè)β為SHN中d個(gè)p×p卷積參數(shù)所占的內(nèi)存開銷,β*為Ghost-SHN中d個(gè)Ghost模塊所占的內(nèi)存開銷,則模型參數(shù)的壓縮比Cr的計(jì)算如式(5)所示.

(5)

其中a×a的大小與p×p相似,k遠(yuǎn)小于c.Ghost模塊有一個(gè)恒等映射和m/k(k-1)個(gè)線性運(yùn)算,每個(gè)線性運(yùn)算的平均核大小為a×a.

接著對(duì)比下SHN和Ghost-SHN的計(jì)算量,假設(shè)λ為SHN中d個(gè)p×p卷積的計(jì)算開銷,λ*為Ghost-SHN中d個(gè)Ghost模塊的計(jì)算開銷,則模型的計(jì)算量比Sr的計(jì)算如式(6)所示.

Sr(SHN,Ghost-SHN)=

(6)

由式(5)和式(6)可知,堆疊沙漏網(wǎng)絡(luò)使用了大量的普通卷積操作,其設(shè)計(jì)存在一定的冗余性.Ghost-SHN使用Ghost模塊替代SHN中的普通卷積,可以較好地減少SHN的參數(shù)量和計(jì)算量.

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)服務(wù)器的操作系統(tǒng)為 Ubuntu 18.04,配置有Intel Core i9-10920X 3.5 GHz CPU和 9.7 G 顯存的 RTX 3080 顯卡.模型使用深度學(xué)習(xí)框架 PyTorch 來實(shí)現(xiàn).

實(shí)驗(yàn)使用的是 OWI-535機(jī)械臂,如圖4所示,該機(jī)械臂有4個(gè)關(guān)節(jié)和17個(gè)關(guān)鍵點(diǎn).4個(gè)關(guān)節(jié)分別稱為旋轉(zhuǎn)、底座、肘部和腕部.每個(gè)關(guān)節(jié)上都有1個(gè)電機(jī),4個(gè)電機(jī)的運(yùn)動(dòng)范圍分別為 270度、180度、300度和120度.

圖4 OWI-535 機(jī)械臂結(jié)構(gòu)

4.2 實(shí)驗(yàn)數(shù)據(jù)集

本文使用文獻(xiàn)[8]中的4個(gè)數(shù)據(jù)集進(jìn)行模型的訓(xùn)練和測試.

第1個(gè)數(shù)據(jù)集是虛擬數(shù)據(jù)集,該數(shù)據(jù)集里面有用虛幻引擎 4 生成的 5000 張?zhí)摂M圖像.其中,4500 張用于訓(xùn)練,其余 500 張用于測試.

第2個(gè)數(shù)據(jù)集是實(shí)驗(yàn)室數(shù)據(jù)集,該數(shù)據(jù)集包含了 720P 攝像頭拍攝的428張圖片.圖片中有一些干擾因素,比如彩色的盒子、骰子等,這增加了數(shù)據(jù)集的難度.

第3個(gè)數(shù)據(jù)集是YouTube 數(shù)據(jù)集,其中的圖片從 YouTube 上抓取的.圖片類型多樣,圖片中的機(jī)械臂可能被修改,幾何約束條件可能不完全成立.YouTube 數(shù)據(jù)集里面有 275 張圖片,里面標(biāo)注了每個(gè)二維關(guān)鍵點(diǎn)的可見性以及位置.

第4個(gè)數(shù)據(jù)集是第3個(gè)數(shù)據(jù)集的子集,僅考慮YouTube數(shù)據(jù)集中關(guān)鍵點(diǎn)可見的圖片,本文稱其為YouTube(可見)數(shù)據(jù)集.

3個(gè)數(shù)據(jù)集的圖像示例如圖5所示,第1行是虛擬數(shù)據(jù)集,第2行是實(shí)驗(yàn)室數(shù)據(jù)集,第3行是 YouTube 數(shù)據(jù)集.

圖5 3個(gè)數(shù)據(jù)集的圖像示例

4.3 實(shí)驗(yàn)過程與結(jié)果分析

首先進(jìn)行關(guān)鍵點(diǎn)的檢測,將輸入的機(jī)械臂圖像裁剪為256×256并將其傳送到具有兩個(gè)堆的Ghost-SHN.Ghost-SHN生成了17 個(gè)熱圖,每個(gè)熱圖的大小為64×64,對(duì)應(yīng)著一個(gè)關(guān)鍵點(diǎn).在模型訓(xùn)練時(shí),本文使用了數(shù)據(jù)增強(qiáng)技術(shù),對(duì)裁剪后的圖像進(jìn)行隨機(jī)平移、旋轉(zhuǎn)、縮放、色彩轉(zhuǎn)換和翻轉(zhuǎn).本文使用RMSProp優(yōu)化器來優(yōu)化網(wǎng)絡(luò),學(xué)習(xí)率為2.5×10-4,損失函數(shù)為均方誤差函數(shù),每一批輸入網(wǎng)絡(luò)的樣本個(gè)數(shù)為6,對(duì)于本文使用的4個(gè)數(shù)據(jù)集,Ghost-SHN訓(xùn)練 30個(gè)epoch.

在上述關(guān)鍵點(diǎn)檢測的步驟中,本文通過Ghost-SHN進(jìn)行關(guān)鍵點(diǎn)的檢測,網(wǎng)絡(luò)的輸出是與17個(gè)關(guān)鍵點(diǎn)對(duì)應(yīng)的17個(gè)通道的熱圖.在預(yù)測時(shí),本文取熱圖上響應(yīng)最明顯的位置作為預(yù)測結(jié)果.關(guān)鍵點(diǎn)檢測結(jié)果的示意圖如圖6所示.

圖6 關(guān)鍵點(diǎn)檢測結(jié)果

獲取了二維關(guān)鍵點(diǎn)的位置后,本文進(jìn)行三維還原,將機(jī)械臂建模為一個(gè)4個(gè)自由度的多剛體模型,因此17個(gè)關(guān)鍵點(diǎn)的位置滿足一定的約束關(guān)系(比如兩個(gè)關(guān)節(jié)之間的長度).在透視投影的假設(shè)下,每個(gè)關(guān)鍵點(diǎn)都是三維坐標(biāo)的二維投影,因此可以寫成如式(7)所示的方程:

[y|1]T·S=K·[R|t]·[z|1]T

(7)

其中y是二維坐標(biāo)矩陣,z是三維坐標(biāo)矩陣,1是全一向量,K是相機(jī)的內(nèi)參矩陣,S是縮放向量,R是旋轉(zhuǎn)矩陣,t是平移向量.本文通過解如式(7)所示的線性方程,就可以得到關(guān)鍵點(diǎn)的三維坐標(biāo),進(jìn)一步地,本文可以根據(jù)幾何約束關(guān)系來獲得機(jī)械臂各轉(zhuǎn)軸的角度.

為了驗(yàn)證本文算法的有效性,本文分別實(shí)現(xiàn)了DSC-SHN(基于深度可分離卷積的堆疊沙漏網(wǎng)絡(luò))以及Shuffle-SHN(基于組卷積和通道重排的堆疊沙漏網(wǎng)絡(luò)).接下來對(duì)Ghost-SHN、SHN、DSC-SHN和Shuffle-SHN這4個(gè)算法的性能進(jìn)行對(duì)比評(píng)估.

為了評(píng)估關(guān)鍵點(diǎn)檢測的精度,本文把預(yù)測關(guān)鍵點(diǎn)和真正的關(guān)鍵點(diǎn)之間的距離與閾值τ進(jìn)行比較,如果在閾值τ內(nèi),就認(rèn)為預(yù)測關(guān)鍵點(diǎn)是正確定位的關(guān)鍵點(diǎn),本文使用正確定位的關(guān)鍵點(diǎn)的百分比(Percentage of Correct Keypoints,PCK)作為度量指標(biāo).具體地,令τ=0.2,即使用PCK@0.2來衡量關(guān)鍵點(diǎn)檢測的精度.PCK@0.2是指當(dāng)閾值為0.2時(shí),正確定位的關(guān)鍵點(diǎn)的百分比.二維關(guān)鍵點(diǎn)檢測的結(jié)果如表1所示.

表1 4個(gè)數(shù)據(jù)集上的二維關(guān)鍵點(diǎn)檢測正確率

本文還在真實(shí)圖像上測試模型的三維姿態(tài)估計(jì)性能.本文僅針對(duì)實(shí)驗(yàn)室數(shù)據(jù)集來進(jìn)行定量的 三維姿勢估計(jì),因?yàn)楹茈y獲取YouTube 數(shù)據(jù)集的三維標(biāo)注.三維姿態(tài)估計(jì)的結(jié)果如表2所示.

表2 實(shí)驗(yàn)室數(shù)據(jù)集上的三維姿態(tài)估計(jì)誤差(角度)

接下來,計(jì)算各個(gè)模型在4個(gè)數(shù)據(jù)集上的參數(shù)量與計(jì)算量.參照文獻(xiàn)[20],本文使用浮點(diǎn)運(yùn)算量(FLoating point OPerations,FLOPs)來衡量模型的計(jì)算量.具體來說,實(shí)驗(yàn)中使用的是GFLOPs,即109FLOPs.不同模型參數(shù)量的對(duì)比結(jié)果如圖7所示,不同模型計(jì)算量的對(duì)比結(jié)果如圖8所示.由于事先將輸入圖像裁剪成256×256,所以同一個(gè)模型在4個(gè)數(shù)據(jù)集上的參數(shù)量和計(jì)算量都是一樣的.

最后,本文綜合對(duì)比下各個(gè)算法.如表1所示,Ghost-SHN在 YouTube數(shù)據(jù)集和 YouTube(可見)數(shù)據(jù)集的精度是最高的,因此Ghost-SHN的泛化性能很好.如表2所示,Ghost-SHN在3個(gè)關(guān)節(jié)上的預(yù)測誤差以及平均預(yù)測誤差比SHN小.此外,如圖7所示,SHN的參數(shù)量是Ghost-SHN的1.49倍.如圖8所示,SHN的計(jì)算量是Ghost-SHN的1.42倍.雖然DSC-SHN 的參數(shù)量和計(jì)算量比Ghost-SHN更小,但其在4個(gè)數(shù)據(jù)集上的精度都不如Ghost-SHN高.這就是說,DSC-SHN雖然具有較低參數(shù)量與計(jì)算開銷,但模型的泛化能力也同時(shí)發(fā)生了退化.而Ghost-SHN提升了模型的泛化能力,其在精度、參數(shù)量、計(jì)算量三者之間取得了一個(gè)較好的權(quán)衡.

圖7 不同算法參數(shù)量對(duì)比

圖8 不同算法FLOPs對(duì)比

5 總 結(jié)

在實(shí)際的應(yīng)用中,機(jī)械臂的姿態(tài)估計(jì)不僅需要模型有較高的精度,還要求模型具有較小的參數(shù)量和計(jì)算量.為此,本文分析了傳統(tǒng)的機(jī)械臂姿態(tài)估計(jì)算法在參數(shù)量和計(jì)算量上的不足,提出一種基于Ghost模塊的堆疊沙漏網(wǎng)絡(luò),即Ghost-SHN.Ghost-SHN以SHN基礎(chǔ),將SHN中的普通卷積替換成輕量的Ghost模塊,從而實(shí)現(xiàn)了模型的壓縮.4個(gè)典型數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,Ghost-SHN不僅繼承了SHN泛化性能好的優(yōu)點(diǎn),而且模型的參數(shù)量和計(jì)算量大大減少.Ghost-SHN在參數(shù)量、計(jì)算量和精度三者之間取得了較好的權(quán)衡,能夠更好地在機(jī)械臂上進(jìn)行部署,實(shí)現(xiàn)了輕量級(jí)的機(jī)械臂姿態(tài)估計(jì).