受数字孪生系统的启发，开发了一个新型的实时数字双框架，以增强机器人对地形条件的感知。基于相同的物理模型和运动控制，这项工作利用了与真实机器人同步的模拟数字双重同步，以捕获和提取两个系统之间的差异信息，这两个系统提供了多个物理数量的高维线索，以表示代表差异建模和现实世界。柔软的，非刚性的地形会导致腿部运动中常见的失败，因此，视觉感知完全不足以估计地形的这种物理特性。我们使用了数字双重来开发可折叠性的估计，这通过动态步行过程中的物理互动来解决此问题。真实机器人及其数字双重双重测量之间的感觉测量的差异用作用于地形可折叠性分析的基于学习的算法的输入。尽管仅在模拟中受过培训，但学习的模型可以在模拟和现实世界中成功执行可折叠性估计。我们对结果的评估表明，对不同方案和数字双重的优势的概括，可在地面条件下可靠地检测到细微差别。
translated by 谷歌翻译
这项研究受到人类行为的启发，提议使用探测策略，并将其整合到遍布性分析框架中，以解决未知的粗糙地形上的安全导航。我们的框架将可折叠信息整合到我们现有的遍历性分析中，因为仅视力和几何信息可能会被不可预测的非刚性地形（例如柔软的土壤，灌木丛或水坑）误导。通过新的遍历性分析框架，我们的机器人对不可预测的地形进行了更全面的评估，这对于其在室外环境中的安全至关重要。该管道首先使用RGB-D摄像头确定地形的几何和语义性能，并在可疑地形上探测位置。使用力传感器对这些区域进行探测，以确定机器人在其上面时崩溃的风险。该风险被称为可折叠度度量，该指标估计了不可预测的区域的地面可折叠性。此后，将可折叠性度量以及几何和语义空间数据结合在一起，并分析以产生全局和局部穿术网格图。这些遍历性网格地图告诉机器人是否可以安全地跨越地图的不同区域。然后使用网格图来生成机器人的最佳路径，以安全地导航其目标。在模拟和现实世界实验中，我们的方法已在四足动物的机器人上成功验证。
translated by 谷歌翻译
为了保护培训生成的对抗网络（GaN）中的敏感数据，标准方法是使用差异的私有（DP）随机梯度下降方法，其中将受控噪声添加到梯度。输出合成样品的质量可能会受到不利影响，并且网络的训练甚至可能不会在这些噪声的存在下收敛。我们提出了差异私有的模型反演（DPMI）方法，其中私有数据首先通过公共发生器映射到潜在空间，然后是具有更好的收敛属性的低维DP-GaN。标准数据集CIFAR10和SVHN的实验结果以及自闭症筛选的面部地标数据集表明，我们的方法在同一隐私保证下，基于Incepion得分，FR \'Echet Inception距离和分类准确性的标准DP-GaN方法优于标准DP-GaN方法。
translated by 谷歌翻译
仅在合成数据上培训的最先进的立体声匹配网络通常无法概括到更具挑战性的真实数据域。在本文中，我们试图展开阻碍网络从跨域推广网络的重要因素：通过快捷学习的镜头。我们证明了立体声匹配网络中的特征表示的学习受合成数据伪影（快捷键属性）的严重影响。为了缓解此问题，我们提出了一种信息 - 理论快捷方式避免〜（ITSA）方法，以自动限制与要素表示的快捷键相关信息。因此，我们的提出方法通过最大限度地减少潜在特征的灵敏度来了解强大而快捷的不变性功能。为避免直接输入灵敏度优化的禁止计算成本，我们提出了一种有效但可行的算法来实现鲁棒性。我们表明，使用这种方法，纯粹对合成数据训练的最先进的立体声匹配网络可以有效地推广到具有挑战性和以前看不见的真实数据场景。重要的是，所提出的方法可以增强合成训练网络的鲁棒性，以至于它们优于他们的微调对应物（在实际数据上）以充分挑战域外立体数据集。
translated by 谷歌翻译
初始故障检测和诊断是提高车辆运行效率，安全性和稳定性的迫切措施。近年来，许多研究已经调查了使用可用的车辆数据改善车辆诊断过程的数据驱动方法。此外，采用数据驱动方法来增强客户服务代理交互。在这项研究中，我们展示了一种机器学习管道，以改善自动化车辆诊断。首先，自然语言处理（NLP）用于自由文本故障报告中提取至关重要的信息（在客户对服务部门的呼叫中生成）。然后，采用深度学习算法来验证服务请求并过滤模糊或误导性索赔。最终，实现了不同的分类算法以对服务请求进行分类，以便可以针对相关的服务部门进行有效的服务请求。拟议的模型 - 双向短期内存（BILSTM）以及卷积神经网络（CNN） - 显示了与技术人员的能力相比验证服务请求的18倍以上的准确性提高。此外，在预处理和特征提取阶段使用基于域的NLP技术以及基于CNN-BILSTM的请求验证提高了精度（$> 25 \％$），灵敏度（$> 39 \％$），特异性（$> 11 \％$），精度（$> 11 \％$）渐变树升压（GTB）服务分类模型。曲线下（ROC-AUC）下的接收器操作特征区域达到0.82。
translated by 谷歌翻译