CN114700957B - 模型低算力需求的机器人控制方法及装置 - Google Patents

Abstract

本公开涉及机器人控制技术领域，提供了模型低算力需求的机器人控制方法及装置。该方法包括：确定运行目标模型所需要的第一算力；当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。

Description

模型低算力需求的机器人控制方法及装置

技术领域

本公开涉及机器人控制技术领域，尤其涉及一种模型低算力需求的机器人控制方法及装置。

背景技术

为了实现机器人的智能化控制，相关技术人员将机器模型引入到对机器人的控制中。现有技术要么是将机器模型存储在云端，通过云端的机器模型为机器人控制提供支持；要么是将机器模型下载到机器人上，这种方法可以避免机器人和云端连接不稳定的情况，但是这种方法对机器人自身算力要求较高。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：通过机器人运行模型时，对机器人算力要求高的问题。

发明内容

有鉴于此，本公开实施例提供了一种模型低算力需求的机器人控制方法、装置、电子设备和计算机可读的存储介质，以解决现有技术中，通过机器人运行模型时，对机器人算力要求高的问题。

本公开实施例的第一方面，提供了一种模型低算力需求的机器人控制方法，包括：确定运行目标模型所需要的第一算力；当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；将第一网络模块发送给目标机器人，依据第三算力将第二网络模块发送给其他设备，其中，一个其他设备对应一个第二网络模块；通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。

本公开实施例的第二方面，提供了一种模型低算力需求的机器人控制装置，包括：确定模块，被配置为确定运行目标模型所需要的第一算力；获取模块，被配置为当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；分割模块，被配置为依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；发送模块，被配置为将第一网络模块发送给目标机器人，依据第三算力将第二网络模块发送给其他设备，其中，一个其他设备对应一个第二网络模块；运行模块，被配置为通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；控制模块，被配置为聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：确定运行目标模型所需要的第一算力；当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；将第一网络模块发送给目标机器人，依据第三算力将第二网络模块发送给其他设备，其中，一个其他设备对应一个第二网络模块；通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。采用上述技术手段，可以解决现有技术中，通过机器人运行模型时，对机器人算力要求高的问题，进而降低运行模型的机器人的算力的要求。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种模型低算力需求的机器人控制方法的流程示意图；

图3是本公开实施例提供的一种模型低算力需求的机器人控制装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种模型低算力需求的机器人控制方法和装置。

图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。

终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、机器人、膝上型便携计算机和台式计算机等（比如2可以为机器人）；当终端设备1、2和3为软件时，其可以安装在如上的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙（Bluetooth）、近场通信（Near FieldCommunication，NFC）、红外（Infrared）等，本公开实施例对此不作限制。

目标用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

图2是本公开实施例提供的一种模型低算力需求的机器人控制方法的流程示意图。图2的模型低算力需求的机器人控制方法可以由图1的终端设备或服务器执行。如图2所示，该模型低算力需求的机器人控制方法包括：

S201，确定运行目标模型所需要的第一算力；

S202，当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；

S203，依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；

S204，将第一网络模块发送给目标机器人，依据第三算力将第二网络模块发送给其他设备，其中，一个其他设备对应一个第二网络模块；

S205，通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；

S206，聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。

目标模型所需要的第一算力大于目标机器人对应的第二算力，可以认为目标模型需要的算力为高，对目标模型进行分割，得到第二算力对应的第一网络模块，可以认为第一网络模块需要的算力为低。

目标模型可以为任何常用的机器模型。第一算力为运行目标模型所需要的计算能力；第二算力是目标机器人可以提供的计算能力；多个其他设备和目标机器人通过WIFI和蓝牙等短距离无线通信组成局域网，一个其他设备对应的第三算力是该其他设备可以提供的计算能力。依据第三算力将第二网络模块发送给其他设备，是根据其他设备与第三算力之间的对应关系，以及第二网络模块与第三算力之间的对应关系，确定出第二网络模块和其他设备之间的对应关系。聚合第一计算结果和多个第二计算结果，是将第一计算结果和多个第二计算结果整合，得到第三计算结果。

根据本公开实施例提供的技术方案，确定运行目标模型所需要的第一算力；当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；将第一网络模块发送给目标机器人，依据第三算力将第二网络模块发送给其他设备，其中，一个其他设备对应一个第二网络模块；通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。采用上述技术手段，可以解决现有技术中，通过机器人运行模型时，对机器人算力要求高的问题，进而降低运行模型的机器人的算力的要求。

在步骤S203中，依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块，包括：以一层网络为最小分割单位，依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；其中，第一网络模块和第二网络模块均包括一层或多层网络。

假设其他设备有5个，依据第一算力、第二算力和多个第三算力对目标模型进行分割，是将目标模型分割为6个模块，目标机器人和每个其他设备各自执行其对应的一个模块。

举例说明：目标模型，包括：输入层、卷积层、激活层、池化层和全连接层；输入层、卷积层、激活层、池化层和全连接层均包括一层或多层网络。假设其他设备有5个，将目标模型分割为6个模块，具体地：第一个其他设备运行输入层；第二个其他设备运行卷积层中前2层网络；第三个其他设备运行卷积层中除了前2层网络之外的网络；第四个其他设备运行激活层；第五个其他设备运行池化层；目标机器人运行全连接层；设备输出之间的连接关系，从前至后依次为第一个其他设备、第二个其他设备、第三个其他设备、第四个其他设备、第五个其他设备和目标机器人。

在步骤S203中，依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块，包括：以一个神经元为最小分割单位，依据第一算力、第二算力和多个第三算力对目标模型的输入层进行分割，得到第二算力对应的第一神经元组和每个第三算力对应的第二神经元组，其中，第一神经元组和第二神经元组均包括一个或多个神经元；按照目标模型中神经元的连接关系，并依据第二算力对应的第一神经元组和每个第三算力对应的第二神经元组对目标模型的输入层进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块，其中，第一网络模块和第二网络模块均包括一层或多层网络。

目标模型的输入层包括多个神经元，依据第一算力、第二算力和多个第三算力将目标模型的输入层的神经元分割为第二算力对应的第一神经元组和每个第三算力对应的第二神经元组。因为目标模型中每两层临近的网络的神经元是有连接关系的，可以根据输入层分割的神经元组，对目标模型其他层进行分割，最终得到了第二算力对应的第一网络模块和每个第三算力对应的第二网络模块。

在步骤S203中，依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块，包括：依据第一算力和第二算力，确定目标模型对应的骨架网络，其中，运行骨架网络所需要的算力小于等于第二算力；依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的骨架网络和每个第三算力对应的其他网络；将骨架网络作为第一网络模块，将每个第三算力对应的其他网络作为每个第三算力对应的第二网络模块。

一般的机器模型都具有一定的冗余性，因为可以找到一个规模小很多的骨架网络，使得骨架网络的效果与目标模型的效果差不多。所以可以确定出目标模型对应的骨架网络，使得目标机器人运行骨架网络。机器模型除骨架网络之外还有一些其他的部分，其他网络就是机器模型除骨架网络之外还有一些其他的部分。骨架网络是所需要算力小于等于第二算力下的，最终效果最接近目标模型的模型。

在执行步骤S201之后，也就是确定运行目标模型所需要的第一算力之后，方法还包括：确定目标模型的第一模型规模；当第一算力大于目标机器人对应的第二算力时，依据第一算力、第二算力和第一模型规模确定目标机器人对应的第二模型规模；依据第一模型规模和第二模型规模，对目标模型进行模型蒸馏处理，得到蒸馏模型，利用蒸馏模型控制目标机器人；和/或依据第一模型规模和第二模型规模，对目标模型进行模型剪枝处理，得到剪枝模型，利用剪枝模型控制目标机器人。

为了降低目标机器人运行模型算力的要求，还可以对目标模型进行压缩，也就是对目标模型进行模型蒸馏处理或者对目标模型进行模型剪枝处理。第二模型规模是蒸馏模型或者剪枝模型的模型规模。第一算力与第二算力的比值和第一模型规模与第二模型规模的比值相近。

依据第一模型规模和第二模型规模，对目标模型进行模型蒸馏处理，得到蒸馏模型，包括：根据目标模型的输出和蒸馏模型的输出，利用距离交并比函数计算第一损失值，其中，蒸馏模型为对目标模型进行模型蒸馏处理后得到的模型；基于第一损失值对目标模型进行模型蒸馏处理。

距离交并比函数是DIoU Loss。第一损失值可以看做一个约束，根据该约束，就可以实现目标模型到蒸馏模型的知识迁移，也就是模型蒸馏处理。

依据第一模型规模和第二模型规模，对目标模型进行模型剪枝处理，包括：利用最小绝对值偏差函数，计算目标模型中每层网络中每个卷积核的权重的第二损失值，得到目标模型中每层网络对应的多个第二损失值；对目标模型中每层网络对应的多个第二损失值按照值的大小进行升序排列，得到目标模型中每层网络对应的第一结果列表；剪掉目标模型中每层网络对应的第一结果列表中前百分之p个卷积核，得到目标模型中每层网络对应的第二结果列表，p为预设剪枝率；根据目标模型中每层网络对应的第二结果列表和目标模型，确定目标模型中每层网络对应的剪枝网络；根据目标模型中每层网络对应的剪枝网络，确定剪枝模型。

最小绝对值偏差函数就是L1范数值损失函数。本公开实施例提出的剪枝算法，还可以是对目标模型的一层网络进行剪枝处理，之后在对目标模型的下一层网络进行剪枝处理……直至完成目标模型中最后一层的剪枝处理，得到剪枝模型。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种模型低算力需求的机器人控制装置的示意图。如图3所示，该模型低算力需求的机器人控制装置包括：

确定模块301，被配置为确定运行目标模型所需要的第一算力；

获取模块302，被配置为当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；

分割模块303，被配置为依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；

发送模块304，被配置为将第一网络模块发送给目标机器人，依据第三算力将第二网络模块发送给其他设备，其中，一个其他设备对应一个第二网络模块；

运行模块305，被配置为通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；

控制模块306，被配置为聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。

目标模型可以为任何常用的机器模型。第一算力为运行目标模型所需要的计算能力；第二算力是目标机器人可以提供的计算能力；多个其他设备和目标机器人通过WIFI和蓝牙等短距离无线通信组成局域网，一个其他设备对应的第三算力是该其他设备可以提供的计算能力。依据第三算力将第二网络模块发送给其他设备，是根据其他设备与第三算力之间的对应关系，以及第二网络模块与第三算力之间的对应关系，确定出第二网络模块和其他设备之间的对应关系。聚合第一计算结果和多个第二计算结果，是将第一计算结果和多个第二计算结果整合，得到第三计算结果。

根据本公开实施例提供的技术方案，确定运行目标模型所需要的第一算力；当第一算力大于目标机器人对应的第二算力时，获取目标机器人所属局域网下的每个其他设备对应的第三算力；依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；将第一网络模块发送给目标机器人，依据第三算力将第二网络模块发送给其他设备，其中，一个其他设备对应一个第二网络模块；通过目标机器人运行第一网络模块，得到第一计算结果，通过每个其他设备运行每个其他设备对应的第二网络模块，得到每个其他设备对应的第二计算结果；聚合第一计算结果和多个第二计算结果，得到目标模型对应的第三计算结果，并依据第三计算结果控制目标机器人。采用上述技术手段，可以解决现有技术中，通过机器人运行模型时，对机器人算力要求高的问题，进而降低运行模型的机器人的算力的要求。

可选地，分割模块303还被配置为以一层网络为最小分割单位，依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块；其中，第一网络模块和第二网络模块均包括一层或多层网络。

假设其他设备有5个，依据第一算力、第二算力和多个第三算力对目标模型进行分割，是将目标模型分割为6个模块，目标机器人和每个其他设备各自执行其对应的一个模块。

举例说明：目标模型，包括：输入层、卷积层、激活层、池化层和全连接层；输入层、卷积层、激活层、池化层和全连接层均包括一层或多层网络。假设其他设备有5个，将目标模型分割为6个模块，具体地：第一个其他设备运行输入层；第二个其他设备运行卷积层中前2层网络；第三个其他设备运行卷积层中除了前2层网络之外的网络；第四个其他设备运行激活层；第五个其他设备运行池化层；目标机器人运行全连接层；设备输出之间的连接关系，从前至后依次为第一个其他设备、第二个其他设备、第三个其他设备、第四个其他设备、第五个其他设备和目标机器人。

可选地，分割模块303还被配置为以一个神经元为最小分割单位，依据第一算力、第二算力和多个第三算力对目标模型的输入层进行分割，得到第二算力对应的第一神经元组和每个第三算力对应的第二神经元组，其中，第一神经元组和第二神经元组均包括一个或多个神经元；按照目标模型中神经元的连接关系，并依据第二算力对应的第一神经元组和每个第三算力对应的第二神经元组对目标模型的输入层进行分割，得到第二算力对应的第一网络模块和每个第三算力对应的第二网络模块，其中，第一网络模块和第二网络模块均包括一层或多层网络。

目标模型的输入层包括多个神经元，依据第一算力、第二算力和多个第三算力将目标模型的输入层的神经元分割为第二算力对应的第一神经元组和每个第三算力对应的第二神经元组。因为目标模型中每两层临近的网络的神经元是有连接关系的，可以根据输入层分割的神经元组，对目标模型其他层进行分割，最终得到了第二算力对应的第一网络模块和每个第三算力对应的第二网络模块。

可选地，分割模块303还被配置为依据第一算力和第二算力，确定目标模型对应的骨架网络，其中，运行骨架网络所需要的算力小于等于第二算力；依据第一算力、第二算力和多个第三算力对目标模型进行分割，得到第二算力对应的骨架网络和每个第三算力对应的其他网络；将骨架网络作为第一网络模块，将每个第三算力对应的其他网络作为每个第三算力对应的第二网络模块。

一般的机器模型都具有一定的冗余性，因为可以找到一个规模小很多的骨架网络，使得骨架网络的效果与目标模型的效果差不多。所以可以确定出目标模型对应的骨架网络，使得目标机器人运行骨架网络。机器模型除骨架网络之外还有一些其他的部分，其他网络就是机器模型除骨架网络之外还有一些其他的部分。骨架网络是所需要算力小于等于第二算力下的，最终效果最接近目标模型的模型。

可选地，确定模块301还被配置为确定目标模型的第一模型规模；当第一算力大于目标机器人对应的第二算力时，依据第一算力、第二算力和第一模型规模确定目标机器人对应的第二模型规模；依据第一模型规模和第二模型规模，对目标模型进行模型蒸馏处理，得到蒸馏模型，利用蒸馏模型控制目标机器人；和/或依据第一模型规模和第二模型规模，对目标模型进行模型剪枝处理，得到剪枝模型，利用剪枝模型控制目标机器人。

为了降低目标机器人运行模型算力的要求，还可以对目标模型进行压缩，也就是对目标模型进行模型蒸馏处理或者对目标模型进行模型剪枝处理。第二模型规模是蒸馏模型或者剪枝模型的模型规模。第一算力与第二算力的比值和第一模型规模与第二模型规模的比值相近。

可选地，确定模块301还被配置为根据目标模型的输出和蒸馏模型的输出，利用距离交并比函数计算第一损失值，其中，蒸馏模型为对目标模型进行模型蒸馏处理后得到的模型；基于第一损失值对目标模型进行模型蒸馏处理。

距离交并比函数是DIoU Loss。第一损失值可以看做一个约束，根据该约束，就可以实现目标模型到蒸馏模型的知识迁移，也就是模型蒸馏处理。

可选地，确定模块301还被配置为利用最小绝对值偏差函数，计算目标模型中每层网络中每个卷积核的权重的第二损失值，得到目标模型中每层网络对应的多个第二损失值；对目标模型中每层网络对应的多个第二损失值按照值的大小进行升序排列，得到目标模型中每层网络对应的第一结果列表；剪掉目标模型中每层网络对应的第一结果列表中前百分之p个卷积核，得到目标模型中每层网络对应的第二结果列表，p为预设剪枝率；根据目标模型中每层网络对应的第二结果列表和目标模型，确定目标模型中每层网络对应的剪枝网络；根据目标模型中每层网络对应的剪枝网络，确定剪枝模型。

最小绝对值偏差函数就是L1范数值损失函数。本公开实施例提出的剪枝算法，还可以是对目标模型的一层网络进行剪枝处理，之后在对目标模型的下一层网络进行剪枝处理……直至完成目标模型中最后一层的剪枝处理，得到剪枝模型。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (8)

1.一种模型低算力需求的机器人控制方法，其特征在于，包括：

确定运行目标模型所需要的第一算力；

当所述第一算力大于目标机器人对应的第二算力时，获取所述目标机器人所属局域网下的每个其他设备对应的第三算力；

依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块；

将所述第一网络模块发送给所述目标机器人，依据所述第三算力将所述第二网络模块发送给所述其他设备，其中，一个所述其他设备对应一个所述第二网络模块；

通过所述目标机器人运行所述第一网络模块，得到第一计算结果，通过每个所述其他设备运行每个所述其他设备对应的第二网络模块，得到每个所述其他设备对应的第二计算结果；

聚合所述第一计算结果和多个所述第二计算结果，得到所述目标模型对应的第三计算结果，并依据所述第三计算结果控制所述目标机器人；

其中，依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块，包括：以一个神经元为最小分割单位，依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型的输入层进行分割，得到所述第二算力对应的第一神经元组和每个所述第三算力对应的第二神经元组，其中，所述第一神经元组和所述第二神经元组均包括一个或多个神经元；按照所述目标模型中每两层临近的网络的神经元的连接关系，并依据所述输入层分割的神经元组，对所述目标模型的其他层进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块，其中，所述第一网络模块和所述第二网络模块均包括一层或多层网络；

其中，确定运行目标模型所需要的第一算力之后，所述方法还包括：确定所述目标模型的第一模型规模；当所述第一算力大于目标机器人对应的第二算力时，依据所述第一算力、所述第二算力和所述第一模型规模确定所述目标机器人对应的第二模型规模，其中，所述第二模型规模是剪枝模型的模型规模；利用最小绝对值偏差函数，计算所述目标模型中每层网络中每个卷积核的权重的第二损失值，得到所述目标模型中每层网络对应的多个第二损失值；对所述目标模型中每层网络对应的多个第二损失值按照值的大小进行升序排列，得到所述目标模型中每层网络对应的第一结果列表；剪掉所述目标模型中每层网络对应的第一结果列表中前百分之p个卷积核，得到所述目标模型中每层网络对应的第二结果列表，p为预设剪枝率；根据所述目标模型中每层网络对应的第二结果列表和所述目标模型，确定所述目标模型中每层网络对应的剪枝网络；根据所述目标模型中每层网络对应的剪枝网络，确定所述剪枝模型；利用所述剪枝模型控制所述目标机器人。

2.根据权利要求1所述的方法，其特征在于，所述依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块，包括：

以一层网络为最小分割单位，依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块；

其中，所述第一网络模块和所述第二网络模块均包括一层或多层网络。

3.根据权利要求1所述的方法，其特征在于，所述依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块，包括：

依据所述第一算力和所述第二算力，确定所述目标模型对应的骨架网络，其中，运行所述骨架网络所需要的算力小于等于所述第二算力；

依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型进行分割，得到所述第二算力对应的骨架网络和每个所述第三算力对应的其他网络；

将所述骨架网络作为所述第一网络模块，将每个所述第三算力对应的所述其他网络作为每个所述第三算力对应的第二网络模块。

4.根据权利要求1所述的方法，其特征在于，所述确定运行目标模型所需要的第一算力之后，所述方法还包括：

确定所述目标模型的第一模型规模；

当所述第一算力大于目标机器人对应的第二算力时，依据所述第一算力、所述第二算力和所述第一模型规模确定所述目标机器人对应的第二模型规模；

依据所述第一模型规模和所述第二模型规模，对所述目标模型进行模型蒸馏处理，得到蒸馏模型，利用所述蒸馏模型控制所述目标机器人。

5.根据权利要求4所述的方法，其特征在于，所述依据所述第一模型规模和所述第二模型规模，对所述目标模型进行模型蒸馏处理，得到蒸馏模型，包括：

根据所述目标模型的输出和蒸馏模型的输出，利用距离交并比函数计算第一损失值，其中，所述蒸馏模型为对所述目标模型进行所述模型蒸馏处理后得到的模型；

基于所述第一损失值对所述目标模型进行所述模型蒸馏处理。

6.一种模型低算力需求的机器人控制装置，其特征在于，包括：

确定模块，被配置为确定运行目标模型所需要的第一算力；

获取模块，被配置为当所述第一算力大于目标机器人对应的第二算力时，获取所述目标机器人所属局域网下的每个其他设备对应的第三算力；

分割模块，被配置为依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块；

发送模块，被配置为将所述第一网络模块发送给所述目标机器人，依据所述第三算力将所述第二网络模块发送给所述其他设备，其中，一个所述其他设备对应一个所述第二网络模块；

运行模块，被配置为通过所述目标机器人运行所述第一网络模块，得到第一计算结果，通过每个所述其他设备运行每个所述其他设备对应的第二网络模块，得到每个所述其他设备对应的第二计算结果；

控制模块，被配置为聚合所述第一计算结果和多个所述第二计算结果，得到所述目标模型对应的第三计算结果，并依据所述第三计算结果控制所述目标机器人；

所述分割模块还被配置为以一个神经元为最小分割单位，依据所述第一算力、所述第二算力和多个所述第三算力对所述目标模型的输入层进行分割，得到所述第二算力对应的第一神经元组和每个所述第三算力对应的第二神经元组，其中，所述第一神经元组和所述第二神经元组均包括一个或多个神经元；按照所述目标模型中每两层临近的网络的神经元的连接关系，并依据所述输入层分割的神经元组，对所述目标模型的其他层进行分割，得到所述第二算力对应的第一网络模块和每个所述第三算力对应的第二网络模块，其中，所述第一网络模块和所述第二网络模块均包括一层或多层网络；

所述确定模块还被配置为确定所述目标模型的第一模型规模；当所述第一算力大于目标机器人对应的第二算力时，依据所述第一算力、所述第二算力和所述第一模型规模确定所述目标机器人对应的第二模型规模，其中，所述第二模型规模是剪枝模型的模型规模；利用最小绝对值偏差函数，计算所述目标模型中每层网络中每个卷积核的权重的第二损失值，得到所述目标模型中每层网络对应的多个第二损失值；对所述目标模型中每层网络对应的多个第二损失值按照值的大小进行升序排列，得到所述目标模型中每层网络对应的第一结果列表；剪掉所述目标模型中每层网络对应的第一结果列表中前百分之p个卷积核，得到所述目标模型中每层网络对应的第二结果列表，p为预设剪枝率；根据所述目标模型中每层网络对应的第二结果列表和所述目标模型，确定所述目标模型中每层网络对应的剪枝网络；根据所述目标模型中每层网络对应的剪枝网络，确定所述剪枝模型；利用所述剪枝模型控制所述目标机器人。

7.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。

Images