密切的人类机器人互动（HRI），尤其是在工业场景中，已经对结合人类和机器人技能的优势进行了广泛的研究。对于有效的HRI，应质疑当前可用的人机通信媒体或工具的有效性，并应探讨新的交流方式。本文提出了一个模块化体系结构，允许人类操作员通过不同的方式与机器人互动。特别是，我们使用智能手表和平板电脑分别实施了架构来分别处理手势和触摸屏输入。最后，我们在这两种方式之间进行了比较用户体验研究。
translated by 谷歌翻译
This paper presents the development of a system able to estimate the 2D relative position of nodes in a wireless network, based on distance measurements between the nodes. The system uses ultra wide band ranging technology and the Bluetooth Low Energy protocol to acquire data. Furthermore, a nonlinear least squares problem is formulated and solved numerically for estimating the relative positions of the nodes. The localization performance of the system is validated by experimental tests, demonstrating the capability of measuring the relative position of a network comprised of 4 nodes with an accuracy of the order of 3 cm and an update rate of 10 Hz. This shows the feasibility of applying the proposed system for multi-robot cooperative localization and formation control scenarios.
translated by 谷歌翻译
In this paper, we propose the first-ever real benchmark thought for evaluating Neural Radiance Fields (NeRFs) and, in general, Neural Rendering (NR) frameworks. We design and implement an effective pipeline for scanning real objects in quantity and effortlessly. Our scan station is built with less than 500$ hardware budget and can collect roughly 4000 images of a scanned object in just 5 minutes. Such a platform is used to build ScanNeRF, a dataset characterized by several train/val/test splits aimed at benchmarking the performance of modern NeRF methods under different conditions. Accordingly, we evaluate three cutting-edge NeRF variants on it to highlight their strengths and weaknesses. The dataset is available on our project page, together with an online benchmark to foster the development of better and better NeRFs.
translated by 谷歌翻译
2022-11-24
The 1$^{\text{st}}$ Workshop on Maritime Computer Vision (MaCVi) 2023 focused on maritime computer vision for Unmanned Aerial Vehicles (UAV) and Unmanned Surface Vehicle (USV), and organized several subchallenges in this domain: (i) UAV-based Maritime Object Detection, (ii) UAV-based Maritime Object Tracking, (iii) USV-based Maritime Obstacle Segmentation and (iv) USV-based Maritime Obstacle Detection. The subchallenges were based on the SeaDronesSee and MODS benchmarks. This report summarizes the main findings of the individual subchallenges and introduces a new benchmark, called SeaDronesSee Object Detection v2, which extends the previous benchmark by including more classes and footage. We provide statistical and qualitative analyses, and assess trends in the best-performing methodologies of over 130 submissions. The methods are summarized in the appendix. The datasets, evaluation code and the leaderboard are publicly available at https://seadronessee.cs.uni-tuebingen.de/macvi.
translated by 谷歌翻译
Recent approaches to drape garments quickly over arbitrary human bodies leverage self-supervision to eliminate the need for large training sets. However, they are designed to train one network per clothing item, which severely limits their generalization abilities. In our work, we rely on self-supervision to train a single network to drape multiple garments. This is achieved by predicting a 3D deformation field conditioned on the latent codes of a generative network, which models garments as unsigned distance fields. Our pipeline can generate and drape previously unseen garments of any topology, whose shape can be edited by manipulating their latent codes. Being fully differentiable, our formulation makes it possible to recover accurate 3D models of garments from partial observations -- images or 3D scans -- via gradient descent. Our code will be made publicly available.
translated by 谷歌翻译
基于惯性数据的人类活动识别（HAR）是从智能手机到超低功率传感器的嵌入式设备上越来越扩散的任务。由于深度学习模型的计算复杂性很高，因此大多数嵌入式HAR系统基于简单且不那么精确的经典机器学习算法。这项工作弥合了在设备上的HAR和深度学习之间的差距，提出了一组有效的一维卷积神经网络（CNN），可在通用微控制器（MCUS）上部署。我们的CNN获得了将超参数优化与子字节和混合精确量化的结合，以在分类结果和记忆职业之间找到良好的权衡。此外，我们还利用自适应推断作为正交优化，以根据处理后的输入来调整运行时的推理复杂性，从而产生更灵活的HAR系统。通过在四个数据集上进行实验，并针对超低功率RISC-V MCU，我们表明（i）我们能够为HAR获得一组丰富的帕累托（Pareto）最佳CNN，以范围超过1个数量级记忆，潜伏期和能耗； （ii）由于自适应推断，我们可以从单个CNN开始得出> 20个运行时操作模式，分类分数的不同程度高达10％，并且推理复杂性超过3倍，并且内存开销有限； （iii）在四个基准中的三个基准中，我们的表现都超过了所有以前的深度学习方法，将记忆占用率降低了100倍以上。获得更好性能（浅层和深度）的少数方法与MCU部署不兼容。 （iv）我们所有的CNN都与推理延迟<16ms的实时式evice Har兼容。他们的记忆职业在0.05-23.17 kb中有所不同，其能源消耗为0.005和61.59 UJ，可在较小的电池供应中进行多年的连续操作。
translated by 谷歌翻译
我们证明，就机器学习政策的参数而言，自然梯度下降承认了与自然选择进化一致的共轭动力描述。我们将这些共轭动力学表征为对连续时间复制器动力学的本地最佳拟合，并表明价格方程适用于策略架构和参数生成的希尔伯特空间的函数等效类别。我们认为，“共轭自然选择”直观地解释了自然梯度下降的经验有效性，同时为机器学习动力学开发了有用的分析方法。
translated by 谷歌翻译
联合学习（FL）是一个杰出的框架，可以通过融合本地，分散的模型来确保用户隐私来培训集中式模型。在这种情况下，一个主要障碍是数据异质性，即每个客户具有非相同和独立分布（非IID）数据。这类似于域概括（DG）的上下文，在该上下文中，每个客户端都可以视为不同的域。但是，尽管DG中的许多方法从算法的角度来解决数据异质性，但最近的证据表明，数据增强可以诱导相等或更高的性能。在这种连接的激励下，我们介绍了受欢迎的DG算法的联合版本，并表明，通过应用适当的数据增强，我们可以在联合环境中减轻数据异质性，并为看不见的客户获得更高的准确性。配备了数据增强功能，我们甚至可以使用最基本的联邦平均算法实现最先进的性能，并具有更稀疏的沟通。
translated by 谷歌翻译
量化广泛用于云和边缘系统，以减少深层神经网络的记忆占用，潜伏期和能耗。特别是，混合精液量化，即，在网络的不同部分中使用不同的位宽度，已被证明可以提供出色的效率提高，尤其是通过自动化神经体系结构确定的优化的位宽度分配，尤其是通过自动化的位宽度分配（NAS）工具。最先进的混合精液在层面上，即，它对每个网络层的权重和激活张量使用不同的位宽度。在这项工作中，我们扩大了搜索空间，提出了一种新颖的NA，该NAS独立选择每个重量张量通道的位宽度。这为工具提供了额外的灵活性，即仅针对与最有用的功能相关的权重分配更高的精度。在MLPERF微小的基准套件上进行测试，我们获得了精确度大小与精度与能量空间的帕累托最佳模型的丰富集合。当部署在MPIC RISC-V边缘处理器上时，我们的网络将记忆和能量分别减少了63％和27％，而与层的方法相比，以相同的精度为单位。
translated by 谷歌翻译
嵌入大而冗余的数据，例如图像或文本，在较低维空间的层次结构中是表示方法的关键特征之一，如今，这些特征是一旦相信困难或不可能的问题，这些方法就可以为问题提供最新的解决方案解决。在这项工作中，在具有强大元回味的情节扭转中，我们展示了受过训练的深层模型与它们优化的数据一样多余，因此如何使用深度学习模型来嵌入深度学习模型。特别是，我们表明可以使用表示形式学习来学习经过训练的深层模型的固定大小，低维的嵌入空间，并且可以通过插值或优化来探索此类空间，以实现现成的模型。我们发现，可以学习相同体系结构和多个体系结构的多个实例的嵌入空间。我们解决了信号的图像分类和神经表示，表明如何学习我们的嵌入空间，以分别捕获性能和3D形状的概念。在多架结构的环境中，我们还展示了仅在架构子集中训练的嵌入方式如何才能学会生成已经训练的架构实例，从未在培训时看到实例化。
translated by 谷歌翻译