{rfName}
Mo

Indexado en

Licencia y uso

Citaciones

9

Altmetrics

Análisis de autorías institucional

Paniego SAutor (correspondencia)Canas J.Autor o Coautor
Compartir
Publicaciones
>
Artículo

Model Optimization in Deep Learning Based Robot Control for Autonomous Driving

Publicado en:Ieee Robotics And Automation Letters. 9 (1): 715-722 - 2024-01-01 9(1), DOI: 10.1109/LRA.2023.3336244

Autores: Paniego, Sergio; Paliwal, Nikhil; Canas, Jose Maria

Afiliaciones

JdeRobot Org, Madrid 28922, Spain - Autor o Coautor
JdeRobot Organization, Madrid, 28922, Spain - Autor o Coautor
JdeRobot Organization, Madrid, 28922, Spain, Saarland University, Saarbrücken, 66123, Germany - Autor o Coautor
Saarland Univ, D-66123 Saarbrucken, Germany - Autor o Coautor
Saarland University, Saarbrücken, 66123, Germany - Autor o Coautor
Univ Rey Juan Carlos, Madrid 28933, Spain - Autor o Coautor
Universidad Rey Juan Carlos, Madrid, 28933, Spain - Autor o Coautor
Universidad Rey Juan Carlos, Madrid, 28933, Spain, JdeRobot Organization, Madrid, 28922, Spain - Autor o Coautor
Ver más

Resumen

Deep learning (DL) has been successfully used in robotics for perception tasks and end-to-end robot control. In the context of autonomous driving, this work explores and compares a variety of alternatives for model optimization to solve the visual lane-follow application in urban scenarios with an imitation learning approach. The optimization techniques include quantization, pruning, fine-tuning (retraining), and clustering, covering all the options available at the most common DL frameworks. TensorRT optimization for specific cutting-edge hardware devices has been also explored. For the comparison, offline metrics such as mean squared error and inference time are used. In addition, the optimized models have been evaluated in an online fashion using the autonomous driving state-of-the-art simulator CARLA and an assessment tool called Behavior Metrics, which provides holistic quantitative fine-grain data about robot performance. Typically the performance of robot applications depends both on the quality of the control decisions and also on their frequency. The studied optimized models significantly increase inference frequency without losing decision quality. The impact of each optimization alone has also been measured. This speed-up allows us to successfully run DL robot-control applications even in limited computing hardware. All the work presented here is open-source, including models, weights, assessment tool, and dataset, for easy replication and extension. © 2016 IEEE.

Palabras clave
machine learning for robot controlsensorimotor learningAutonomous vehiclesDeep learningImitation learningIndustrial robotsMachine learning for robot controlMachine-learningMean square errorOpen systemsOptimisationsQuality controlRobot applicationsRobot sensing systemRobots controlSensorimotor learningSensorimotors

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Ieee Robotics And Automation Letters debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia Scopus (SJR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2024 aún no existen indicios calculados, pero en 2023, se encontraba en la posición , consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Control and Optimization. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir del Field Citation Ratio (FCR) de la fuente Dimensions, arroja un valor de: 3.54, lo que indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: Dimensions May 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-05-10, el siguiente número de citas:

  • WoS: 4
  • Scopus: 5
  • OpenCitations: 5
Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-05-10:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 15.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 15 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 2.5.
  • El número de menciones en la red social X (antes Twitter): 3 (Altmetric).
Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: Germany.

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (Paniego Blanco, Sergio) y Último Autor (Cañas Plaza, Jose María).

el autor responsable de establecer las labores de correspondencia ha sido Paniego Blanco, Sergio.