【要約】吊り荷Yaw制御システムの開発 #04：Raspberry Piで画像ベース制御を実証する [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発者が強化学習モデルをエッジデバイスへ実装する際、計算リソースの制約が大きな障壁となる。具体的には以下の課題に直面している。
- ・学習には高性能なGPUとPyTorch環境が必要である。
- ・Raspberry Pi等の小型デバイスでは、それらの環境を維持できない。
- ・推論の遅延が制御ループの安定性を損なうリスクがある。
- ・モデル形式の変換に伴う推定精度の低下が懸念される。
// Approach
開発者は、学習済みモデルをONNX形式へ変換し、Raspberry Pi上でONNX Runtimeを用いて推論する構成を採用した。
- ・PyTorchで学習したSSDLite320 MobileNetV3をONNXへ変換し、精度を検証した。
- ・SACのActorモデルを、吊り荷や外乱条件に応じた計9種類のONNXモデルとして書き出した。
- ・Ubuntu上のBlenderシミュレーターとRaspberry Pi間で通信し、画像ベースの制御ループを構築した。
// Result
Raspberry Pi 5を用いた3 Hzの制御周期において、実用的な性能を確認した。
- ・処理時間は平均68.3 ms、最大124 msであり、制御周期の333 msを十分に下回った。
- ・HSteelおよびPlateでは、開発環境と同等の目標Yaw角への到達を確認した。
- ・Trussでは推定誤差により到達に遅れが生じたが、最終的な目標姿勢の維持は可能であった。
Senior Engineer Insight
> エッジ推論におけるONNXの有用性が示されている。学習と推論の分離は、デプロイコストとリソース管理の観点から極めて合理的だ。ただし、Trussで見られた推定誤差の影響は、実機投入時の安全性に直結する。センサーノイズや環境変化に対するロバスト性の確保が、次のフェーズでの鍵となるだろう。