1. Непрерывное ансамблевое обучение на основе множественных представлений для распознавания нескольких объектов (arXiv)

Автор: Хамидреза Касаи, Сонсон Сюн

Вывод:сервисные роботы все больше и больше интегрируются в нашу повседневную жизнь, помогая нам выполнять различные задачи. В таких условиях роботы часто сталкиваются с новыми объектами во время работы в окружающей среде и должны изучать их открытым способом. Кроме того, такие роботы должны уметь распознавать широкий спектр категорий объектов. В этой статье мы представляем подход к обучению на протяжении всей жизни, основанный на множественных представлениях, для решения проблемы распознавания объектов с несколькими выстрелами. В частности, мы формируем ансамблевые методы на основе глубоких представлений и созданных вручную дескрипторов трехмерных форм. Чтобы облегчить обучение на протяжении всей жизни, каждый подход оснащен блоком памяти для мгновенного хранения и извлечения информации об объекте. Предлагаемая модель подходит для открытых сценариев обучения, где количество категорий 3D-объектов не является фиксированным и может увеличиваться со временем. Мы провели обширные наборы экспериментов, чтобы оценить производительность предлагаемого подхода в автономных и открытых сценариях. Для целей оценки, в дополнение к наборам данных о реальных объектах, мы создаем большой синтетический набор данных о бытовых объектах, состоящий из 27000 просмотров 90 объектов. Экспериментальные результаты демонстрируют эффективность предложенного метода в задачах распознавания трехмерных объектов, а также его превосходную производительность по сравнению с современными подходами. Кроме того, мы продемонстрировали эффективность нашего подхода как в смоделированных, так и в реальных условиях робота, где робот быстро изучил новые категории на ограниченном количестве примеров.

2. Навигация робота с несколькими подцелями в толпе с исторической информацией и взаимодействиями (arXiv)

Автор:Синьи Юй, Цзянан Ху, Юэхай Фан, Ваньцай Чжэн, Линлинь Оу

Вывод:Навигация роботов в динамических средах, совместно используемых людьми, является важной, но сложной задачей, производительность которой ухудшается по мере роста толпы. В этой статье предлагается подход к навигации роботов с несколькими подцелями, основанный на глубоком обучении с подкреплением, который может привести к более всеобъемлющим отношениям между всеми агентами (роботами и людьми). В частности, для робота планируется следующая позиционная точка путем введения в нашу работу исторической информации и взаимодействий. Во-первых, на основе сети подграфов историческая информация обо всех агентах агрегируется перед кодированием взаимодействий через нейронную сеть графа, чтобы улучшить способность робота неявно предвидеть будущие сценарии. Дальнейшее рассмотрение, чтобы уменьшить вероятность ненадежных точек следующей позиции, модуль выбора разработан после сети политик в структуре обучения с подкреплением. Кроме того, следующая точка положения, сгенерированная модулем выбора, лучше удовлетворяла требованиям задачи, чем точка, полученная непосредственно из сети политик. Эксперименты показывают, что наш подход превосходит современные подходы с точки зрения как вероятности успеха, так и частоты столкновений, особенно в людных местах.

3.Отслеживание камеры RGB-D на основе SDF в представлениях нейронной сцены (arXiv)

Автор: Леонард Брунс, Ферейдун Зангенех, Патрик Йенсфельт

Аннотация: мы рассматриваем проблему отслеживания 6D-позиции движущейся камеры RGB-D в нейронном представлении сцены. В последнее время появились различные такие представления, и мы исследуем их пригодность для задачи слежения за камерой. В частности, мы предлагаем отслеживать камеру RGB-D, используя представление на основе поля расстояния со знаком, и показать, что по сравнению с представлениями на основе плотности отслеживание может быть ускорено, что обеспечивает более надежные и точные оценки позы, когда время вычислений ограничено.

4.Интеллектуальный дизайн траектории для связи между несколькими роботами с помощью RIS-NOMA (arXiv)

Автор:Синьюй Гао, Сидун Му, Вэньцян И, Юаньвэй Лю

Аннотация:предложена новая реконфигурируемая интеллектуальная наземная сеть из нескольких роботов, в которой несколько мобильных роботов обслуживаются точкой доступа (AP) через неортогональный множественный доступ (NOMA). Цель состоит в том, чтобы максимизировать суммарную скорость целых траекторий для системы с несколькими роботами путем совместной оптимизации траекторий и порядка декодирования NOMA роботов, коэффициентов фазового сдвига RIS и распределения мощности AP с учетом прогнозируемых начальных и конечных значений. позиции роботов и качество обслуживания (QoS) каждого робота. Для решения этой проблемы предлагается схема интегрированного машинного обучения (ML), которая сочетает в себе модель с долговременной кратковременной памятью (LSTM) и авторегрессионной интегрированной скользящей средней (ARIMA) и алгоритм двойной глубокой Q-сети (D3QN). Для прогнозирования начального и конечного положения роботов LSTM-ARIMA может решить проблему исчезновения градиента нестационарных и нелинейных последовательностей данных. Для совместного определения матрицы фазового сдвига и траекторий роботов используется D3QN для решения задачи завышения ценности действия. Основываясь на предложенной схеме, каждый робот имеет глобальную оптимальную траекторию, основанную на максимальной суммарной скорости всей траектории, что показывает, что роботы преследуют долгосрочные выгоды от проектирования всей траектории. Численные результаты показали, что: 1) модель LSTM-ARIMA обеспечивает высокую точность модели прогнозирования; 2) Предлагаемый алгоритм D3QN может обеспечить быструю сходимость в среднем; 3) РИС с битами более высокого разрешения предлагает большую суммарную скорость траекторий, чем биты с более низким разрешением; и 4) Сети RIS-NOMA имеют более высокую производительность сети по сравнению с ортогональными аналогами на основе RIS.

5.Дифференцируемое моделирование мягких многотельных систем (arXiv)

Автор:И-Лин Цяо, Чунбан Лян, Владлен Колтун, Минг С. Линь

Аннотация: мы представляем метод дифференцируемого моделирования мягких сочлененных тел. Наша работа позволяет интегрировать дифференцируемую физическую динамику в конвейеры на основе градиента. Мы разрабатываем нисходящий алгоритм сборки матриц в Projective Dynamics и выводим обобщенную модель сухого трения для мягкого континуума, используя новую стратегию разделения матриц. Мы получаем дифференцируемую структуру управления для мягких сочлененных тел, приводимых в движение мышцами, крутящими моментами в суставах или пневматическими трубками. Эксперименты показывают, что наши разработки делают моделирование мягких тел более стабильным и реалистичным по сравнению с другими фреймворками. Наш метод ускоряет решение задач идентификации системы более чем на порядок и обеспечивает эффективное градиентное обучение управлению движением с помощью мягких роботов.