仿真环境的兴起已经实现了基于学习的组装计划的方法，否则这是一项劳动密集型和艰巨的任务。组装家具特别有趣，因为家具是复杂的，对基于学习的方法构成了挑战。令人惊讶的是，人类可以解决组装产品的2D快照。尽管近年来见证了家具组装的有希望的基于学习的方法，但他们假设每个组装步骤都有正确的连接标签，这在实践中很昂贵。在本文中，我们减轻了这一假设，并旨在以尽可能少的人类专业知识和监督来解决家具。具体而言，我们假设组装点云的可用性，并比较当前组件的点云和目标产品的点云，请根据两种措施获得新的奖励信号：不正确和不完整。我们表明，我们的新颖奖励信号可以训练一个深层网络，以成功组装不同类型的家具。可用的代码和网络：https：//github.com/metu-kalfa/assemblerl
translated by 谷歌翻译
在本文中，我们提出了一种通用的统一跟踪方法，用于使用机器人臂控制弹性可变形物体的形状。我们的方法是通过在对象周围形成晶格，将对象绑定到晶格，并跟踪和伺服晶格而不是对象来起作用。这使我们的方法对任何通用形式的可变形物体（线性，薄壳，体积）具有完整的3D控制。此外，它将方法的运行时复杂性与对象的几何复杂性分解。我们的方法基于可行的（ARAP）变形模型。它不需要知道对象的机械参数，并且可以通过大变形将对象驱动到所需的形状。我们方法的输入是对象表面的静止形状的点云，并且每个帧中的3D摄像头捕获了点云。 Ovearll，我们的方法比现有方法更广泛地适用。我们通过各种形状和材料（纸，橡胶，塑料，泡沫）的可变形物体进行多种实验来验证方法的效率。实验视频可在项目网站上找到：https：//sites.google.com/view/tracking-servoing-apphach。
translated by 谷歌翻译
车辆到车辆（V2V）通信的性能在很大程度上取决于使用的调度方法。虽然集中式网络调度程序提供高V2V通信可靠性，但它们的操作通常仅限于具有完整的蜂窝网络覆盖范围的区域。相比之下，在细胞外覆盖区域中，使用了相对效率低下的分布式无线电资源管理。为了利用集中式方法的好处来增强V2V通信在缺乏蜂窝覆盖的道路上的可靠性，我们建议使用VRLS（车辆加固学习调度程序），这是一种集中的调度程序，该调度程序主动为覆盖外的V2V Communications主动分配资源，以前}车辆离开蜂窝网络覆盖范围。通过在模拟的车辆环境中进行培训，VRL可以学习一项适应环境变化的调度策略，从而消除了在复杂的现实生活环境中对有针对性（重新）培训的需求。我们评估了在不同的移动性，网络负载，无线通道和资源配置下VRL的性能。 VRL的表现优于最新的区域中最新分布式调度算法，而无需蜂窝网络覆盖，通过在高负载条件下将数据包错误率降低了一半，并在低负载方案中实现了接近最大的可靠性。
translated by 谷歌翻译
最近的问题答案（QA）数据集和模型的爆炸在多个数据集上的训练模型或通过组合多个模型来增加多个域和格式的模型泛化的兴趣。我们认为，尽管有多个数据集模型的有希望的结果，但一些域或QA格式可能需要特定的架构，因此这些模型的适应性可能受到限制。此外，组合模型的当前方法忽略了质疑，例如问答兼容性。在这项工作中，我们建议将专家代理与专业代理商合并具有小说，灵活和培训的架构，这些架构考虑问题，答案预测和答案 - 预测置信度分数，以选择答案候选人列表中的最佳答案。通过定量和定性实验，我们表明我们的模型I）在域内和域外方案中的先前多个代理和多个数据集方法，II）培训是极其资料的代理商之间的协作。和III）可以适应任何QA格式。
translated by 谷歌翻译
北卡罗来纳州农业和技术国家大学（NC A＆T）与格鲁吉亚科技研究所（GTRI）合作开发了创建基于仿真的技术工具的方法，该工具能够推断自主系统的感知和行为状态。这些方法有可能在国防部（国防部）提供测试和评估（T＆E）社区，并对这些系统的内部流程更加了解。该方法仅使用外部观察，不需要完全了解所测试系统的内部处理和/或任何修改。本文介绍了一个这样的基于模拟的技术工具的示例，名为Data-Driven智能预测工具（DIPT）。 DIPT是开发用于测试能够进行协作搜索任务的多平台无人驾驶车辆（UAV）系统。 Dipt的图形用户界面（GUI）使测试人员能够查看飞机的当前运行状态，预测其当前的目标检测状态，并提供了展示特定行为的推理以及为其分配特定任务的说明。
translated by 谷歌翻译
数据饥饿的深度神经网络已经将自己作为许多NLP任务的标准建立为包括传统序列标记的标准。尽管他们在高资源语言上表现最先进的表现，但它们仍然落后于低资源场景的统计计数器。一个方法来反击攻击此问题是文本增强，即，从现有数据生成新的合成训练数据点。虽然NLP最近目睹了一种文本增强技术的负载，但该领域仍然缺乏对多种语言和序列标记任务的系统性能分析。为了填补这一差距，我们调查了三类文本增强方法，其在语法（例如，裁剪子句子），令牌（例如，随机字插入）和字符（例如，字符交换）级别上执行更改。我们系统地将它们与语音标记，依赖解析和语义角色标记的分组进行了比较，用于使用各种模型的各种语言系列，包括依赖于诸如MBERT的普赖金的多语言语境化语言模型的架构。增强最显着改善了解析，然后是语音标记和语义角色标记的依赖性解析。我们发现实验技术通常在形态上丰富的语言，而不是越南语等分析语言。我们的研究结果表明，增强技术可以进一步改善基于MBERT的强基线。我们将字符级方法标识为最常见的表演者，而同义词替换和语法增强仪提供不一致的改进。最后，我们讨论了最大依赖于任务，语言对和模型类型的结果。
translated by 谷歌翻译