本文介绍了BRL/PISA/IIT（BPI）SOFTHAND：单个执行器驱动的，低成本，3D打印，肌腱驱动的机器人手，可用于执行一系列掌握任务。基于PISA/IIT SOFTHAND的自适应协同作用，我们设计了一种新的关节系统和肌腱路由，以促进软化和适应性的协同作用，这有助于我们平衡手的耐用性，负担能力和握住手的性能。这项工作的重点在于该杂种的设计，仿真，协同作用和抓握测试。新颖的小块是根据连锁，齿轮对和几何约束机制设计和印刷的，可以应用于大多数肌腱驱动的机器人手。我们表明，机器人手可以成功地掌握和提起各种目标对象并适应复杂的几何形状，从而反映了软化和适应性协同的成功采用。我们打算为手的设计开放源，以便可以在家用3D打印机上廉价地构建。有关更多详细信息：https：//sites.google.com/view/bpi-softhandtactile-group-bri/brlpisaiit-softhand-design
translated by 谷歌翻译
本文介绍了一个开源Python工具箱，称为“集合功能重要性（EFI）”，以提供机器学习（ML）研究人员，领域专家和决策者，具有强大而准确的功能重要性的重要性量化，以及更可靠的机械解释，对使用预测问题的特征的重要性更重要模糊集。该工具包的开发是为了解决特征重要性量化的不确定性，并且由于机器学习算法的多样性，重要性计算方法和数据集依赖性而缺乏可信赖的特征重要性解释。 EFI使用数据自举和决策融合技术（例如平均值，多数投票和模糊逻辑）与多个机器学习模型合并了不同的特征重要性计算方法。 EFI工具箱的主要属性是：（i）ML算法的自动优化，（ii）从优化的ML算法和功能重要性计算技术中自动计算一组功能重要性系数，（iii）使用多个重要性系数的自动汇总决策融合技术和（iv）模糊成员资格功能，显示了每个功能对预测任务的重要性。描述了工具箱的关键模块和功能，并使用流行的IRIS数据集提供了其应用程序的简单示例。
translated by 谷歌翻译
2022-06-30
分配转移或培训数据和部署数据之间的不匹配是在高风险工业应用中使用机器学习的重要障碍，例如自动驾驶和医学。这需要能够评估ML模型的推广以及其不确定性估计的质量。标准ML基线数据集不允许评估这些属性，因为培训，验证和测试数据通常相同分布。最近，已经出现了一系列专用基准测试，其中包括分布匹配和转移的数据。在这些基准测试中，数据集在任务的多样性以及其功能的数据模式方面脱颖而出。虽然大多数基准测试由2D图像分类任务主导，但Shifts包含表格天气预测，机器翻译和车辆运动预测任务。这使得可以评估模型的鲁棒性属性，并可以得出多种工业规模的任务以及通用或直接适用的特定任务结论。在本文中，我们扩展了偏移数据集，其中两个数据集来自具有高社会重要性的工业高风险应用程序。具体而言，我们考虑了3D磁共振脑图像中白质多发性硬化病变的分割任务以及海洋货物容器中功耗的估计。两项任务均具有无处不在的分配变化和由于错误成本而构成严格的安全要求。这些新数据集将使研究人员能够进一步探索新情况下的强大概括和不确定性估计。在这项工作中，我们提供了两个任务的数据集和基线结果的描述。
translated by 谷歌翻译
监督的学习数据集通常具有特权信息，以培训时间可用但在测试时间无法使用的功能形式，例如提供标签的注释者的ID。我们认为特权信息对于解释标签噪声很有用，从而减少了嘈杂标签的有害影响。我们开发了一种简单有效的方法，用于通过神经网络进行监督学习：它通过与特权信息共享知识的权重转移，并在测试时大约在特权信息上进行边缘化。我们的方法，电车（转移和边缘化），其开销时间很少，并且具有与不使用特权信息相同的测试时间成本。电车在CIFAR-10H，ImageNet和Civil评论基准测试方面表现出色。
translated by 谷歌翻译