精确农业的当代机器人主要集中于自动收获或遥感以监测作物健康。关于在田间收集物理样品并将其保留以进行进一步分析方面的工作相对较少。通常，果园种植者手动收集样品叶子，并利用它们进行茎潜在的测量，以分析树木健康并确定灌溉常规。尽管该技术受益于果园的管理，但收集，评估和解释测量的过程需要大量的人工劳动，并且通常会导致不经常采样。自动抽样可以为种植者提供高度准确和及时的信息。这种自动化的原位叶子分析的第一步是识别并切割从树上的叶子。此检索过程需要新的驱动和感知方法。我们提出了一种使用深度摄像头的点云数据来检测和定位候选叶子的技术。该技术在鳄梨树的室内和室外点云上进行了测试。然后，我们在六道机器人臂上使用定制的叶片剪切端效应器，通过从鳄梨树上切下叶子来测试拟议的检测和定位技术。使用真正的鳄梨树进行实验测试表明，我们提出的方法可以使我们的移动操纵器和自定义最终效果系统能够成功地检测，定位和切割的叶子。
translated by 谷歌翻译
动作识别是提高物理康复设备自治的重要组成部分，例如可穿戴机器人外骨骼。现有的人类行动识别算法的重点是成人应用，而不是小儿应用。在本文中，我们介绍了BabyNet，这是一个轻量重量（就可训练的参数而言）的网络结构，以识别婴儿从外体固定摄像机中采取行动的婴儿。我们开发了一个带注释的数据集，其中包括在不受约束的环境中的不同婴儿（例如，在家庭设置等）中的坐姿中执行的各种范围。我们的方法使用带注释的边界框的空间和时间连接来解释和抵消到达的开始，并检测到完整的到达动作。我们评估了我们提出的方法的效率，并将其性能与其他基于学习的网络结构进行比较，以捕获时间相互依存的能力和触及发作和偏移的检测准确性。结果表明，我们的婴儿网络可以在超过其他较大网络的（平均）测试准确性方面达到稳定的性能，因此可以作为基于视频的婴儿获得动作识别的轻量重量数据驱动框架。
translated by 谷歌翻译
随着自主系统成为我们日常生活的一部分，确保其信任度至关重要。有许多用于证明可信赖性的技术。所有这些技术的共同点是需要阐明规格。在本文中，我们对规格进行了广泛的看法，专注于顶级要求，包括但不限于功能，安全性，安全性和其他非功能性属性。本文的主要贡献是对于与指定可信度相关的自主系统社区的一系列高级智力挑战。我们还描述了有关自主系统的许多应用程序域的独特规范挑战。
translated by 谷歌翻译