Con el rápido desarrollo de la teoría de la inteligencia artificial (IA), en particular las redes neuronales de aprendizaje profundo, las aspiradoras robot equipadas con potencia de IA pueden limpiar automáticamente los pisos interiores mediante programación inteligente y servicios de aspirado. Hasta la fecha, se han propuesto varios modelos de IA profunda para distinguir objetos interiores entre desechos limpiables y obstáculos peligrosos no limpiables. Desafortunadamente, estos modelos de IA profunda existentes se centran completamente en la mejora de la precisión de la clasificación de objetos, y se ha hecho poco esfuerzo para minimizar el tamaño de la memoria y el costo de implementación de los modelos de IA. Como resultado, estos modelos de IA profunda existentes requieren mucho más espacio de memoria del que una aspiradora robot típica puede proporcionar. Para abordar esta deficiencia, este documento tiene como objetivo estudiar y encontrar un modelo de IA profunda eficiente que pueda lograr un buen equilibrio entre la precisión de la clasificación y el uso de memoria (es decir, el costo de implementación). En este trabajo, proponemos un modelo SqueezeNet cuantificado por peso para aspiradoras robot. Este modelo puede clasificar desechos limpiables interiores de obstáculos peligrosos no limpiables basándose en las imágenes o videos capturados por las aspiradoras robot. Además, recopilamos videos o imágenes capturados por las cámaras incorporadas de las aspiradoras robot y las utilizamos para construir un conjunto de datos diverso. El conjunto de datos contiene 20,000 imágenes con una perspectiva de vista inferior de comedores, cocinas y salas de estar para diversas casas bajo diferentes condiciones de iluminación. Los resultados experimentales muestran que el modelo de IA profunda propuesto puede lograr una precisión de clasificación de objetos comparable de alrededor del 93% mientras reduce el uso de memoria al menos 22.5 veces. Más importante aún, la huella de memoria requerida por nuestro modelo de IA es solo de 0.8 MB, lo que indica que este modelo puede funcionar sin problemas en aspiradoras robot con recursos limitados, donde se dedican procesadores de gama baja o microcontroladores para ejecutar algoritmos de IA.