韓江雪，郭小明，湯永恒，王麗鑫，潘斌

（1.遼寧石油化工大學(xué) 計(jì)算機(jī)與通信工程學(xué)院，遼寧 撫順 113001；2.遼寧石油化工大學(xué) 理學(xué)院,遼寧 撫順 113001）

智能制造的發(fā)展離不開機(jī)器人，發(fā)展智能機(jī)器人是打造智能制造裝備平臺(tái)、提升制造自動(dòng)化和智能化水平的必經(jīng)之路。智能機(jī)器人在工業(yè)上廣泛應(yīng)用的同時(shí)，普通消費(fèi)市場對(duì)輕型協(xié)作機(jī)器人的需求也與日劇增，人機(jī)協(xié)作將給未來社會(huì)的生產(chǎn)和制造帶來根本性變革[1]。目前，協(xié)作機(jī)器人的應(yīng)用場景是模仿工業(yè)機(jī)器人，而其中最為關(guān)鍵的一步就是通過攝像頭指導(dǎo)機(jī)械手進(jìn)行精準(zhǔn)移動(dòng)，即協(xié)作機(jī)器人目標(biāo)跟蹤，這也是機(jī)械手?jǐn)[脫單調(diào)的示教器控制和拖拽軌跡記錄，通過攝像頭與現(xiàn)實(shí)世界有機(jī)連接起來的重要一步。目標(biāo)跟蹤結(jié)合協(xié)作機(jī)器人可以在跟蹤錄像、標(biāo)定校準(zhǔn)、手勢(shì)操作、高精度動(dòng)作模仿、工件夾取等多方面展開更多應(yīng)用。

1 研究現(xiàn)狀

目標(biāo)跟蹤任務(wù)可以被分解為分類任務(wù)和回歸任務(wù)。分類任務(wù)旨在通過分辨前景和背景得出目標(biāo)的粗略位置，而回歸任務(wù)則是預(yù)測(cè)目標(biāo)的精確位置，通常用跟蹤框標(biāo)出。以往的目標(biāo)跟蹤方法依據(jù)回歸任務(wù)的方法差異可以被分為三類。第一類為采用不準(zhǔn)確且低效的多尺度檢驗(yàn)預(yù)測(cè)目標(biāo)位置，包括判別式相關(guān)濾波器（Discriminative Correlation Filter）2]和SiamFC（Fully-Convolutional Siamese Networks）[3]。其 中，SiamFC使用AlexNet[4]網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，其處理速度較快但跟蹤精度不夠。第二類為采用梯度上升方法優(yōu)化多個(gè)初始包圍框以預(yù)測(cè)最終跟蹤框的ATOM（Accurate Tracking by Overlap Maximization）[5]算法，此方法顯著提高了精度但也帶來了巨大的運(yùn)算負(fù)擔(dān)，初始包圍框的數(shù)量和分布等超參數(shù)也需要仔細(xì)調(diào)整。第三類為運(yùn)用區(qū)域建議網(wǎng)絡(luò)RPN（Region Proposal Network）預(yù)測(cè)跟蹤框的位置，包括SiamRPN[6]、SiamRPN++[7]和DaSiamRPN[8]。其中，SiamRPN++將骨干網(wǎng)絡(luò)更換為更深層的ResNet[9]網(wǎng)絡(luò)，使跟蹤精度相比第一類方法有所提高，但降低了處理速度。由于使用了基于錨框（Anchor-Based）的跟蹤器，在跟蹤過程中會(huì)選擇幾種固定大小的錨框在原圖中做滑動(dòng)以獲得跟蹤位置，影響模型的泛化能力[10]。

2 本文算法

用于協(xié)作機(jī)器人的目標(biāo)跟蹤算法需要考慮的首要目標(biāo)便是中心點(diǎn)位置，所以本文選擇無錨的方法進(jìn)行跟蹤。綜合權(quán)衡協(xié)作機(jī)器人的具體工作需求、硬件因素以及相關(guān)算法中存在的問題，提出了基于改進(jìn)的RepVGG作為骨干網(wǎng)絡(luò)的無錨目標(biāo)跟蹤算法，整個(gè)網(wǎng)絡(luò)分為孿生網(wǎng)絡(luò)模塊、分類回歸模塊和機(jī)器人執(zhí)行模塊。網(wǎng)絡(luò)整體框架如圖1所示。圖中，L、T、R、B分別表示回歸模塊預(yù)測(cè)的目標(biāo)位置相對(duì)于中心點(diǎn)向左、向上、向右、向下的偏移量；n、m為輸出特征圖的通道數(shù)。

圖1 網(wǎng)絡(luò)整體框架

2.1 孿生網(wǎng)絡(luò)模塊

孿生網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)框架，它由模板分支和搜索分支兩個(gè)結(jié)構(gòu)相同、權(quán)值共享的骨干網(wǎng)絡(luò)構(gòu)成。骨干網(wǎng)絡(luò)提取輸入圖像的特征后，通過一個(gè)神經(jīng)網(wǎng)絡(luò)來計(jì)算模板分支輸入與搜索分支輸入之間的相似度，經(jīng)過計(jì)算得到較大相似度的位置，此處即為需要跟蹤的目標(biāo)。本文采用改進(jìn)的RepVGG網(wǎng)絡(luò)替換傳統(tǒng)的ResNet網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，通過深度互相關(guān)運(yùn)算與多層特征融合方法提取不同細(xì)粒度的圖像特征，以達(dá)到更好的跟蹤效果。

2.1.1 骨干網(wǎng)絡(luò) RepVGG網(wǎng)絡(luò)的設(shè)計(jì)思路部分來自ResNet網(wǎng)絡(luò)，其訓(xùn)練時(shí)采用多分支結(jié)構(gòu)，并設(shè)計(jì)了如式（1）形式的模塊。

式中，x、g(x)、f(x)分別為恒等分支、1×1卷積分支和3×3卷積分支。RepVGG網(wǎng)絡(luò)使用1×1和3×3卷 積 分 支，ResNet網(wǎng) 絡(luò) 是 跨 層 連 接，而RepVGG網(wǎng)絡(luò)是每層都使用此兩種分支。RepVGG網(wǎng)絡(luò)可以在訓(xùn)練階段通過對(duì)上述模塊的堆砌來構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)，然后通過簡單的代數(shù)變換將三個(gè)分支轉(zhuǎn)換為y=h(x)的形式。其中，h(x)代表帶偏置的3×3卷積，參數(shù)可由訓(xùn)練好的模型參數(shù)轉(zhuǎn)換得到。ResNet和RepVGG網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 ResNet和RepVGG網(wǎng)絡(luò)結(jié)構(gòu)

RepVGG原網(wǎng)絡(luò)用于提取圖像的特征，整個(gè)網(wǎng)絡(luò)分為5個(gè)階段，其卷積操作的總步長為32。然而，卷積操作的步長越長，得到的特征圖也就越小，不利于目標(biāo)跟蹤任務(wù)中對(duì)跟蹤框的預(yù)測(cè)，適當(dāng)減少步長可以有效提高跟蹤精度。本文采用RepVGG-A2作為骨干網(wǎng)絡(luò)，其中第4、5階段的步長調(diào)整為1，其余階段的步長均為2，以尺寸255×255作為網(wǎng)絡(luò)輸入，修改后的RepVGG-A2訓(xùn)練模型的網(wǎng)絡(luò)參數(shù)如表1所示。每階段RepVGG訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。其中，RepVGG Block的個(gè)數(shù)N=每階段的層數(shù)-1。

表1 修改后的RepVGG-A2訓(xùn)練模型的網(wǎng)絡(luò)參數(shù)

圖3 每階段RepVGG訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)

2.1.2 訓(xùn)練模型轉(zhuǎn)換為部署模型 RepVGG的另一個(gè)特點(diǎn)是可以進(jìn)行參數(shù)重構(gòu)，將訓(xùn)練好的模型通過參數(shù)重構(gòu)轉(zhuǎn)變?yōu)檫\(yùn)行時(shí)使用的部署模型，將多分支網(wǎng)絡(luò)重構(gòu)為單分支網(wǎng)絡(luò)，降低顯存占用，在沒有損失模型性能的前提下提高運(yùn)行速度。RepVGG網(wǎng)絡(luò)每層的卷積操作可以表示為：

式中，Ki為輸入信道數(shù)為C1、輸出信道數(shù)為C2、核大小為i的卷積層；μi、σi、γi、βi分別為經(jīng)過核大小為i的卷積后的批歸一化（Batch-Normalization）層的參數(shù)；BN為批歸一化操作；μ0、σ0、γ0、β0分別為恒等分支（Identity Block）的批歸一化層參數(shù)；A(1)∈RN×C1×H1×W1、A(2)∈RN×C2×H2×W2分別為輸入和輸出；*為卷積操作。

根據(jù)批歸一化運(yùn)算公式，需要先計(jì)算xi中所有元素的均值μi和標(biāo)準(zhǔn)差σi，對(duì)x1i、x2i、…、xm i進(jìn)行歸一化處理得到分布?，并引入縮放參數(shù)γi和平移參數(shù)βi得到新的分布yi，其表達(dá)式見式（3）。批歸一化處理示意圖如圖4所示。

圖4 批歸一化處理示意圖

式中，xbi為當(dāng)前輸入第b個(gè)特征圖中第i個(gè)點(diǎn)的值；yib為xbi經(jīng)過批歸一化后的輸出值。

根據(jù)式（3），將每個(gè)批歸一化層及其之前的一個(gè)卷積層轉(zhuǎn)換成一個(gè)帶有偏差向量bi的卷積層，其卷積核為i。變化后的歸一化計(jì)算式如式（4）所示。

由于恒等分支可視為值為1的1×1卷積操作，所以1×1卷積分支的參數(shù)變換同時(shí)適用于恒等映射分支；恒等分支的卷積核可視為一個(gè)3×3的單位矩陣，將3個(gè)偏置向量相加得到最終的偏置，將恒等分支卷積核、做一層0填充（Zero Padding）后的1×1卷積核以及3×3卷積核對(duì)應(yīng)相加，得到最終帶有偏置的3×3卷積核。

2.1.3 深度互相關(guān)與多層特征融合 利用RepVGG深度網(wǎng)絡(luò)提取特征之后，將不同深度的層聚合起來以同時(shí)獲得更多尺度的特征。視覺跟蹤需要從小到大、從粗略到精細(xì)的各種特征。聚集這些特征可以強(qiáng)化對(duì)跟蹤目標(biāo)的定位和預(yù)測(cè)能力。

深度互相關(guān)模塊是處理兩個(gè)分支信息的核心操作。受SiamRPN++的啟發(fā)，使用深度互相關(guān)模塊來生成多個(gè)語義響應(yīng)圖，其表達(dá)式為：

式中，★為逐通道進(jìn)行互相關(guān)運(yùn)算；X、Z分別為搜索分支輸入和模板分支輸入。生成的響應(yīng)圖Map具有與φ(X)相同的通道數(shù)，且包含大量用于計(jì)算跟蹤框的信息。

模板分支和搜索分支分別輸入到共享參數(shù)的RepVGG骨干網(wǎng)絡(luò)中，取其中3、4、5階段的 輸出,通過自適應(yīng)模塊將通道數(shù)轉(zhuǎn)為同一數(shù)量,兩兩對(duì)應(yīng)進(jìn)行深度互相關(guān)運(yùn)算得到Mapi，分別以Map3、Map4、Map5表示；再將響應(yīng)圖進(jìn)行融合，得到最后的多層融合特征φ(x)：

式中，MIX為特 征融合操 作。Map3、Map4、Map5的通道數(shù)n=256，φ(x)的通道數(shù)為3n。經(jīng)過1×1卷積降維，將融合特征的通道數(shù)降低到m=256以減少參數(shù)數(shù)量，提高計(jì)算速度，生成最后的響應(yīng)圖Map*。相比于直接對(duì)3個(gè)階段的響應(yīng)圖Mapi進(jìn)行加權(quán)融合，采用1×1卷積減少通道數(shù)的方法的跟蹤性能更優(yōu)。

2.2 分類回歸模塊

響應(yīng)圖Map*中的每個(gè)位置(i,j)都可以映射回輸入的搜索區(qū)域(x,y)。與基于錨框的跟蹤算法不同，本文算法直接對(duì)響應(yīng)圖中的每個(gè)位置進(jìn)行分類和回歸，并通過端到端的全卷積運(yùn)算進(jìn)行訓(xùn)練，避免手動(dòng)設(shè)置復(fù)雜的超參數(shù)。跟蹤任務(wù)被分解為兩個(gè)子任務(wù)：一個(gè)分類分支用于預(yù)測(cè)響應(yīng)圖中每個(gè)位置對(duì)應(yīng)的是背景還是跟蹤目標(biāo)，另一個(gè)回歸分支用于計(jì)算該位置的邊界框。對(duì)分類分支采用交叉熵?fù)p失函數(shù)，對(duì)回歸分支采用IoU（Intersection over Union）損失函數(shù)。

將使用孿生網(wǎng)絡(luò)模塊提取的響應(yīng)圖Map*輸入后續(xù)的神經(jīng)網(wǎng)絡(luò)中，經(jīng)過分類子網(wǎng)絡(luò)和回歸子網(wǎng)絡(luò)以及其后連接的卷積層（見圖5），最后在分類子分支輸出分類特征圖，其每個(gè)點(diǎn)包含一個(gè)2維向量，表示輸入搜索區(qū)域中相應(yīng)位置的前景和背景得分，以及中心評(píng)估特征圖，其每個(gè)點(diǎn)給出對(duì)應(yīng)位置的中心度得分。在回歸分支輸出回歸特征圖，每個(gè)點(diǎn)包含一個(gè)4維向量t(i,j)=(L,T,R,B)，表示在搜索分支輸入圖像相應(yīng)位置到真實(shí)邊界框的4個(gè)邊的距離。

圖5 分類子網(wǎng)絡(luò)和回歸子網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)

2.2.1 回歸分支 用(x0,y0)和(x1,y1)表示真實(shí)框的左上角和右下角坐標(biāo)，用(x,y)表示響應(yīng)圖Map*上的點(diǎn)(i,j)對(duì)應(yīng)的搜索分支輸入圖像的坐標(biāo)。對(duì)應(yīng)關(guān)系(x,y)=（dis+i×總步長，dis+j×總步長）。其中,dis=[（搜索圖像尺寸-1）-（響應(yīng)圖尺寸-1）×骨干網(wǎng)絡(luò)總步長]÷2=31?；貧w分支特征圖(i,j,:)上 每 個(gè) 點(diǎn) 的 回 歸 目 標(biāo)t?(i,j)表示為:

式中，Ι()為特征圖上每一個(gè)點(diǎn)對(duì)應(yīng)的標(biāo)簽；(i,j,:)為回歸分支的預(yù)測(cè)結(jié)果。

真實(shí)框和預(yù)測(cè)值之間的IoU損失函數(shù)為：

2.2.2 分類子分支與中心度分支 分類子分支用交叉熵?fù)p失函數(shù)計(jì)算對(duì)應(yīng)在搜索圖片上的點(diǎn)與真實(shí)框逐個(gè)點(diǎn)位的交叉熵：

式中，、分別為分類任務(wù)中正樣本與負(fù)樣本的損失函數(shù)計(jì)算結(jié)果；Ι(i,j)為對(duì)應(yīng)搜索圖片的像素，通過Ι(i,j)值可判斷像素是否在真實(shí)框內(nèi)。對(duì)于前景得分(i,j,0)的特征圖，在真實(shí)框內(nèi)的像素的Ι(i,j)值為1，其余為0；對(duì)于背景得分(i,j,1)的特征圖，則與之相反。

從遠(yuǎn)離跟蹤目標(biāo)中心的位置得到的跟蹤框的質(zhì)量往往都很低，會(huì)降低算法的性能，且協(xié)作機(jī)器人目標(biāo)跟蹤更是與中心點(diǎn)的準(zhǔn)確度密切相關(guān)。受FCOS[11]目標(biāo)檢測(cè)算法的啟發(fā)，添加了一個(gè)與分類子分支平行的中心度分支。中心度特征圖上的每個(gè)點(diǎn)給出對(duì)應(yīng)搜索分支輸入圖像位置的中心度得分為：

C(i,j)的值與特征圖的點(diǎn)對(duì)應(yīng)搜索區(qū)域的位置(x,y)和跟蹤目標(biāo)中心點(diǎn)之間的距離成正比，如果(x,y)位于背景中，則C(i,j)=0。中心度分支的整體損失函數(shù)采用BCE Loss表示為：

2.3 機(jī)器人執(zhí)行模塊

目標(biāo)跟蹤的主要任務(wù)是預(yù)測(cè)視頻序列中第1幀圖像中跟蹤框的位置變化。從回歸分支得到的l+r和t+b代表目標(biāo)在當(dāng)前幀中的預(yù)測(cè)寬度w和高度h。由于跟蹤框的大小和長寬比通常在連續(xù)的幀上只會(huì)發(fā)生微小的變化，為了使用這種時(shí)空一致性來監(jiān)督預(yù)測(cè)，受SiamRPN算法啟發(fā)，對(duì)分類得分cls進(jìn)行尺度懲罰；為了消除響應(yīng)圖中邊緣位置對(duì)跟蹤框的影響，又對(duì)分類得分添加余弦窗懲罰。

式中，H為余弦窗；λ為平衡權(quán)重；輸出q是響應(yīng)圖中具有最高得分的位置。由于沒有采用基于錨框的跟蹤方式，響應(yīng)圖的每個(gè)像素都會(huì)生成預(yù)測(cè)的邊界框，在實(shí)際的跟蹤過程中，如果只將q作為跟蹤框，它將在相鄰視頻幀之間抖動(dòng)。因此，從q的3×3鄰域中選擇得分最高的3個(gè)點(diǎn)的回歸框的加權(quán)平均值作為最后的預(yù)測(cè)框。

輸出給協(xié)作機(jī)器人的預(yù)測(cè)框的數(shù)據(jù)格式為一個(gè)4向量，包括目標(biāo)中心點(diǎn)(x,y)，以及跟蹤框的尺寸(w,h)。考慮到機(jī)械結(jié)構(gòu)特性，為降低工作負(fù)擔(dān)，提高運(yùn)行的流暢度，對(duì)跟蹤框的變化做平滑處理。最終的尺寸為：

式中，（gtw，gth）為前一幀完成平滑處理的預(yù)測(cè)框；α為加權(quán)參數(shù)；（w1,h1）為最終平滑后的結(jié)果。

3 實(shí)驗(yàn)環(huán)境及結(jié)果

實(shí)驗(yàn)訓(xùn)練過程在64位ubuntu 18.04操作系統(tǒng)上進(jìn)行，使用pytorch框架對(duì)網(wǎng)絡(luò)進(jìn)行構(gòu)建和訓(xùn)練，硬件 配 置CPU為Intel Xeon(R)Platinum 816，內(nèi) 存256 G，GPU為4張NVIDIA P100。實(shí)驗(yàn)測(cè)試過程在64位Windows 10操作系統(tǒng)上進(jìn)行，硬件配置CPU為Intel(R)Core(TM)i5-9400，內(nèi)存8 G，GPU為NVIDIA GTX1660Ti。將模板分支和搜索分支的輸入圖像大小分別設(shè)置為127和255像素。修改后的RepVGG網(wǎng)絡(luò)被用作骨干網(wǎng)絡(luò)，該網(wǎng)絡(luò)參數(shù)在ImageNet上進(jìn)行預(yù)訓(xùn)練，然后使用其預(yù)訓(xùn)練參數(shù)作為初始值來重新訓(xùn)練構(gòu)建的模型。

3.1 參數(shù)設(shè)置

整個(gè)訓(xùn)練使用的數(shù)據(jù)集有COCO[12]、YouTube-BB[13]、LaSOT[14]、ImageNet DET[15]、ImageNet VID[15]、GOT-10K[16]。訓(xùn)練過程中batchsize被設(shè)置為96，總共20個(gè)時(shí)期（epochs）通過使用初始學(xué)習(xí)率為0.001的SGD來執(zhí)行。前10個(gè)時(shí)期用于訓(xùn)練分類和回歸子網(wǎng)絡(luò)，此時(shí)骨干網(wǎng)絡(luò)的參數(shù)被凍結(jié)。在后10個(gè)時(shí)期，解凍RepVGG的最后3個(gè)階段的參數(shù)，使用所有的數(shù)據(jù)集進(jìn)行訓(xùn)練。

3.2 性能分析

LaSOT是一個(gè)包含70個(gè)子類，每類20個(gè)跟蹤序列的超大型單目標(biāo)跟蹤數(shù)據(jù)集。使用1 120個(gè)跟蹤序列進(jìn)行訓(xùn)練，用余下的280個(gè)用于測(cè)試。由于協(xié)作機(jī)器人一般工作在室內(nèi)的固定地點(diǎn)，因此主要關(guān)注照明變化（IV）、部分遮擋（POC）、相機(jī)運(yùn)動(dòng)（CM）場景下跟蹤器的性能表現(xiàn)。跟蹤器測(cè)試結(jié)果如圖6所示。圖中，綠框?yàn)檎鎸?shí)值，黃框?yàn)轭A(yù)測(cè)值。協(xié)助機(jī)器人目標(biāo)追蹤成功率及精確度如圖7所示。

圖6 跟蹤器測(cè)試結(jié)果

圖7 協(xié)助機(jī)器人目標(biāo)追蹤成功率及精確度

由圖7可以看出與SiamRPN++、SiamMask[10]、SiamFC、DaSiamRPN、VITAL、DSTRCF、ECO、DSiam、StructSiam、TRACA、CSK孿生網(wǎng)絡(luò)跟蹤器以及其他類型的跟蹤器相比，所提算法保持了很高的水平；對(duì)比目前主流的孿生跟蹤算法SiamFC，在LaSOT數(shù)據(jù)集上的照明變化（IV）、相機(jī)運(yùn)動(dòng)（CM）等與協(xié)作機(jī)器人工作環(huán)境相近的場景中成功率分別提升了60%和64%，與DaSiamRPN的性能相當(dāng)；在大數(shù)據(jù)集上具有如此好的效果，證明改進(jìn)的孿生網(wǎng)絡(luò)具有良好的泛化能力。

3.3 有效性分析

為確認(rèn)改進(jìn)策略的有效性，繼續(xù)在LaSOT數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)，結(jié)果如表2所示。

表2 LaSOT數(shù)據(jù)集對(duì)比實(shí)驗(yàn)結(jié)果

由表2可以看出，使用中心度模塊可以提高追蹤的性能，采用RepVGG作為骨干網(wǎng)絡(luò)可以提高運(yùn)行速度；本文算法雖然與實(shí)驗(yàn)1相比準(zhǔn)確度和成功率略有下降，但減少參數(shù)量，F(xiàn)PS為45幀/s，達(dá)到了實(shí)時(shí)跟蹤的效果，在精確度與實(shí)時(shí)性之間找到了相對(duì)較優(yōu)的平衡點(diǎn)。

4 結(jié)論

提出了一種基于孿生網(wǎng)絡(luò)的協(xié)作機(jī)器人目標(biāo)跟蹤算法，整個(gè)網(wǎng)絡(luò)的各個(gè)分支卷積核的尺寸大多為3×3，且不需要復(fù)雜的超參數(shù)調(diào)節(jié)；在復(fù)雜數(shù)據(jù)集上的測(cè)試也有主流孿生網(wǎng)絡(luò)跟蹤器的優(yōu)秀性能。由于現(xiàn)有計(jì)算庫有CuDNN、Intel MKL等,硬件對(duì)3×3卷積的優(yōu)化以及RepVGG骨干網(wǎng)絡(luò)的特殊設(shè)計(jì)，使整個(gè)網(wǎng)絡(luò)的顯存占用更低，處理速度更快，在中等性能的圖形處理器上也能達(dá)到實(shí)時(shí)處理的效果；在精確度和實(shí)時(shí)性之間找到了相對(duì)較優(yōu)的平衡點(diǎn)。然而，在實(shí)際使用中還會(huì)有很多問題需要解決。協(xié)作機(jī)器人作為一種新型且具有高生產(chǎn)力的產(chǎn)品，只有更多地開發(fā)針對(duì)其硬件優(yōu)化的高質(zhì)量算法，才能廣泛地推廣到消費(fèi)級(jí)市場；只有降低購買者的學(xué)習(xí)成本和使用成本，才能更好地發(fā)揮其高精度、輕便、易部署、低后期維護(hù)成本的特點(diǎn)，更好地提高社會(huì)生產(chǎn)力。