AI视野·今日CS.Robotics 机器人学论文速览
Fri, 25 Jun 2021
Totally 11 papers
👉上期速览✈更多精彩请移步主页
自动驾驶策略：
Daily Robotics Papers
| Some Problems of Deployment and Navigation of Civilian Aerial Drones Authors Xiaohui Li 最大的挑战之一是确定无人机的部署和导航，以对不同的应用有益。关于这个主题提出了许多研究问题。例如，近年来，无人机支持的野生动物监测得到了很多关注。不幸的是，这种方法导致对不同种类的野生动物的显着干扰。此外，随着在需要时快速移动通信供应的能力，具有基站，即无人机细胞的无人机正在成为向受害者网络和灾害影响地区的受害者和救援团队提供蜂窝网络的有希望的解决方案。然而，很少有研究已经研究了具有有限的回程通信距离的多个无人机单元的最佳部署。此外，没有充分讨论使用自主无人机作为飞行互动器的互动互动者。具有卓越的机动性，无人机启用了自主空中相互作用可能会用于鲨鱼攻击预防和动物放牧。然而，以前的自主无人机的研究没有详细地处理这些应用。此报告探讨了所有提到的研究问题的解决方案，特别关注了无人机的部署和导航。已经进行了模拟以验证提出的方法的有效性。我们相信，我们在本报告中的调查结果阐述了自动平民无人机的基本益处。 |
| Autonomous Driving Strategies at Intersections: Scenarios, State-of-the-Art, and Future Outlooks Authors Lianzhen Wei, Zirui Li, Jianwei Gong, Cheng Gong, Jiachen Li 由于交叉路口情景的复杂性和动态特征，交叉口的自主驾驶策略是近年来智能交通系统研究的难题和热点。本文简要介绍了交叉路口的艺术自主驾驶策略的状态。首先，我们枚举和分析常见类型的交叉情景，相应的仿真平台以及相关数据集。其次，通过审查以前的研究，我们已经总结了现有的自主驾驶策略的特征，并将其分为几个类别。最后，我们指出了现有的自主驾驶策略问题，并提出了几个有价值的研究前景。 |
| Hamiltonian-based Neural ODE Networks on the SE(3) Manifold For Dynamics Learning and Control Authors Thai Duong, Nikolay Atanasov 准确的机器人动态模型对于安全稳定的控制和概括为新的操作条件至关重要。然而，即使在仔细参数调谐后，手工设计的模型也可能是不够准确的。这激励了使用机器学习技术在训练集的状态控制轨迹组上近似机器人动力学。在其SE 3姿势和广义速度方面描述了许多机器人，包括地面，空中和水下车辆的动态，以及满足能量原理的保护。本文提出了一种汉密尔顿在神经常规差分方向网络结构的SE 3歧管上的制定，以近似刚体的动态。与黑匣子竞技网络相比，我们的配方通过施工保证了总节能。我们为学习的学到，潜在地开发能量塑造和阻尼注射控制，潜在于致动的SE 3 Hamiltonian动态，以实现具有各种平台的稳定和轨迹跟踪的统一方法，包括摆锤，刚体和四轮压积系统。 |
| Object Detection and Ranging for Autonomous Navigation of Mobile Robots Authors Md Ziaul Haque Zim, Nimai Chandra Das 最近十年来，电子技术在日期上获得先进的方法，方法论也应该更新。为了测距各种方法，使用这种无线电检测和测距雷达，光检测和测距LIDAR和Song导航以及测距声纳等。后来，通过调整早期的技术并进一步修改检测和导航中的检测目的，在现代机器人中使用声波检测和测距SODAR技术。 Sodar可以被定义为声纳的孩子，也是回声发声器的双胞胎。 Echo Sounder仅用于测距。但是，SODAR使用33 kHz的低频波来测量水下深度，并检测水介质下方的物体。因此，这项工作包括设计系统以评估移动机器人的自主导航的对象检测和测距。 |
| Model-Based Reinforcement Learning via Latent-Space Collocation Authors Oleh Rybkin, Chuning Zhu, Anusha Nagabandi, Kostas Daniilidis, Igor Mordatch, Sergey Levine 在利用RANG的原始高维观察（例如图像）的同时计划未来的能力可以提供具有广泛能力的自主代。基于视觉模型的强化学习RL方法，即计划未来的行动直接显示了只需要短地平线推理的任务的令人印象深刻的结果，然而，这些方法在时间扩展任务上挣扎。我们认为，通过规划状态的序列而不是行动，更容易解决长地平线任务，因为行动随着时间的影响大大化化，而且更加难以优化。为实现这一目标，我们借鉴了搭配的概念，在最佳控制文献中，在长地平线任务上显示了良好的结果，并通过利用学习的潜国空间模型来使其适应基于图像的设置。由此产生的潜在搭配方法LATCO优化了潜在状态的轨迹，这改善了以前提出的基于VIST模型的RL对具有稀疏奖励和长期目标的任务的拍摄方法。视频和代码 |
| Driver-centric Risk Object Identification Authors Chengxi Li, Stanley H. Chan, Yi Ting Chen 大量的流量死亡是由于驾驶员错误。为了减少死亡人，开发智能驾驶系统，协助司机识别潜在风险的迫切需要。风险情况通常根据现有研究中的碰撞预测来定义。但是，碰撞只是交通方案中的一种风险。我们相信需要更通用的定义。在这项工作中，我们提出了一种新颖的驾驶员中心风险定义，即风险对象影响驾驶员行为。基于此定义，介绍了一种新的任务，称为风险对象识别。我们将任务作为原因效果问题，并提出了一种新颖的两个阶段风险对象识别框架，从事情况意识和因果推断的模型采取灵感。策划驾驶员中心风险对象识别ROI数据集以评估所提出的系统。与ROI数据集上的强基线相比，我们展示了艺术风险对象识别性能的状态。此外，我们进行了广泛的消融研究，以证明我们的设计选择。 |
| Comparison between safety methods control barrier function vs. reachability analysis Authors Zhichao Li 本报告旨在比较两个安全方法控制屏障功能和汉密尔顿雅各比可达性分析。我们将考虑与对系统动态的以下方面一般性，施工和计算成本的难度的关注差异。标准杜宾斯汽车模型将在数值上进行评估，以使比较更加混凝土。 |
| Coherent, super resolved radar beamforming using self-supervised learning Authors Itai Orr, Moshik Cohen, Harel Damari, Meir Halachmi, Zeev Zalevsky 高分辨率汽车雷达传感器是必需的，以满足自主车辆需求和规定的高级。然而，当前的雷达系统的角度分辨率受到限制，导致技术间隙。通过增加物理渠道数量提高角度分辨率的行业和学术趋势，也提高了系统复杂性，需要敏感的校准过程，降低硬件故障的鲁棒性并推动更高的成本。我们提供一种替代方法，使用自我监督R2 S2命名雷达信号重建，这显着提高了给定雷达阵列的角度分辨率而不增加物理通道的数量。 R2 S2是一系列算法，它使用具有复杂范围多普勒雷达数据的深神经网络DNN，其使用在多个数据表示空间中运行的损耗函数在自我监督方法中培训。在明确和多雨的天气条件下，使用城市和公路环境中收集的真实世界数据集进行了缩写成角度分辨率的改进。 |
| rSoccer: A Framework for Studying Reinforcement Learning in Small and Very Small Size Robot Soccer Authors Felipe B. Martins, Mateus G. Machado, Hansenclever F. Bassani, Pedro H. M. Braga, Edna S. Barros 强化学习是一个积极的研究领域，具有大量的机器人应用，并且Robocup竞争是一种有趣的学习和评估强化学习方法的环境。在将加强学习应用于机器人的难以使用的经验样本中的难以使用训练代理的模拟环境，以及将学习的训练的模拟环境应用于真正的世界sim，以真实的道路。本文介绍了IEEE非常小的足球和小型联盟的开源模拟器，针对加强学习实验进行了优化。我们还提出了一个框架，可以创建具有一组基准测试任务的开发openai健身房环境，用于评估单个代理和多代理机器人足球技能。然后，我们展示了两个艺术加强学习方法的学习能力以及在本框架中介绍的某些情况下的局限性。我们相信更多的团队更容易使用结束以结束加强学习方法在这些类别中竞争并进一步发展这一研究区域。 |
| Topological Semantic Mapping by Consolidation of Deep Visual Features Authors Ygor C. N. Sousa, Hansenclever F. Bassani 近期文献中的许多作品介绍了使用CNNS卷积神经网络的语义映射方法，以识别图像中的语义属性。属性的类型例如。房间大小，地方类别和对象及其课程，例如。厨房和浴室，适用于地方类别通常是预定义的，并限于特定任务。因此，在地图的构造期间获取和处理的所有视觉数据都丢失，并且仅在地图上仍然存在识别的语义属性。相比之下，该工作介绍了一种拓扑语义映射方法，该方法使用由CNN，Goodlenet提取的深度视觉特征从环境中的多个视图中捕获的2D图像，以创建区域中获取的可视特征的统一表示每个拓扑节点覆盖。这些综合表示允许灵活地识别区域的语义属性，并在一系列视觉任务中使用。使用现实世界室内数据集执行的实验表明，该方法能够整合区域的视觉特征，并使用它们识别对象和将类别作为语义属性，并指示图像的拓扑位置，具有非常有前途的结果。使用Googlenet的分类层进行分类对象，无需再培训，并且使用浅多层的Perceptron识别地点类别。 |
| What makes visual place recognition easy or hard? Authors Stefan Schubert, Peer Neubert 视觉地位识别是移动机器人本地化的基本能力。它在物理世界中操作的物理代理的实际背景下放置图像检索。它是一种积极的研究领域，在许多不同的实验中提出并评估了许多不同的方法。在下文中，我们认为，由于这种实际情况和个人设计决策的变化，地点识别实验在不同的纸质上几乎没有比较，并且有各种各样的性质可以从一个实验到另一个实验发生变化。我们提供了广泛的此类属性列表，并举例说明如何使用它们更容易或更难的位置识别实验。这可能对不同涉及的缔约方有趣的是一个只想选择适合其特定任务的属性的人，2名研究人员来说，这是一个寻找开放研究问题的研究人员，并对特别困难的情况感兴趣3个作者这希望在本主题创建可重复的论文，4个也有审查员，该审核人员可以识别正在审查的论文中的潜在问题。 |
| Chinese Abs From Machine Translation |
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
