在过去几年中，自动化机器学习（AUTOML）工具的普及有所增加。机器学习（ML）从业人员使用自动工具来自动化和优化功能工程，模型培训和超参数优化的过程。最近的工作对从业人员使用汽车工具的经验进行了定性研究，并根据其性能和提供的功能比较了不同的汽车工具，但是现有的工作都没有研究在大规模实际项目中使用Automl工具的实践。因此，我们进行了一项实证研究，以了解ML从业者如何在其项目中使用汽车工具。为此，我们在GitHub上托管的大量开源项目存储库中研究了最常用的十大汽车工具及其各自的用法。我们研究的结果表明1）ML从业人员主要使用哪种汽车工具，以及2）使用这些汽车工具的存储库的特征。此外，我们确定了使用Automl工具的目的（例如，模型参数采样，搜索空间管理，模型评估/错误分析，数据/功能转换和数据标记）以及ML管道的阶段（例如功能工程）使用工具。最后，我们报告在同一源代码文件中使用Automl工具的频率。我们希望我们的结果可以帮助ML从业人员了解不同的汽车工具及其使用情况，以便他们可以为其目的选择正确的工具。此外，Automl工具开发人员可以从我们的发现中受益，以深入了解其工具的用法并改善其工具以更好地适合用户的用法和需求。
translated by 谷歌翻译
通常声称由软材料制成的腿部机器人比其刚性材料表现出更安全，更健壮的环境相互作用。但是，软机器人的这种激励特征需要更严格的开发才能与刚性运动进行比较。本文介绍了一个柔软的机器人平台Horton和一个反馈控制系统，并在其操作的某些方面保证了安全性。该机器人是使用一系列软肢构造的，由热形记忆合金（SMA）线肌肉作用，其位置和执行器温度的传感器。监督控制方案在机器人姿势的单独控制器操作过程中维护安全执行者状态。实验表明，霍顿可以举起腿并保持平衡姿势，这是运动的前身。在平衡过程中，通过人类交互测试在硬件中验证了主管，使所有SMA肌肉保持在温度阈值以下。这项工作代表了任何柔软的腿机器人的安全验证反馈系统的首次演示。
translated by 谷歌翻译
家庭中的移动操纵器可以为患有严重运动障碍的人提供越来越多的自治权，他们在没有照料者的帮助下通常无法完成日常生活（ADL）的活动。辅助移动操纵器的远距离运行可以使患有运动障碍的人能够独立执行自我保健和家庭任务，但是有限的运动功能会阻碍人们与机器人接触的能力。在这项工作中，我们介绍了一个独特的基于惯性的可穿戴辅助界面，该辅助界面嵌入了熟悉的头饰服装中，适用于具有严重运动障碍的人，可以通过移动操纵器进行远程处理和执行身体任务。我们评估了这种可穿戴的界面（n = 16）和有运动障碍的个体（n = 2），用于执行ADL和日常家庭任务。我们的结果表明，可穿戴界面使参与者能够完成错误率，高度可感知的易用性和低工作负载度量的身体任务。总体而言，这种基于惯性的可穿戴设备是一种新的辅助接口选项，可控制家庭中移动操纵器。
translated by 谷歌翻译
尽管软机器人比传统机器人表现出与环境更安全的相互作用，但软机制和执行器仍然具有巨大的损害或降解潜力，尤其是在未建模的接触期间。本文在控制软机器人期间介绍了用于安全软执行器操作的反馈策略。为此，监督控制器监视执行器状态并动态饱和输入，以避免可能导致物理损害的条件。我们证明，在某些条件下，监督控制器稳定且可靠地安全。然后，我们使用带有嵌入式形状的内存合金（SMA）执行器和传感的软热机器人肢体和感应的软机器人肢体完全演示了监督控制器的板载操作。使用主管进行的测试验证其理论特性，并显示机器人肢体在自由空间中的姿势的稳定。最后，实验表明，我们的方法可以防止在接触过程中（包括环境限制和人接触）或命令不可行的动作时过热。该监督控制器及其完全在板载感应中执行的能力，有可能使软机器人执行器足够可靠地用于实际使用。
translated by 谷歌翻译
妥协的合法帐户是将恶意内容传播到在线社交网络（OSN）中的大型用户基础的一种方式。由于这些报告对用户以及OSN上其他用户造成了很多损害，因此早期检测非常重要。本文提出了一种基于作者身份验证的新方法，以识别受损的Twitter帐户。由于该方法仅使用从上一个用户的帖子中提取的功能，因此有助于尽早检测以控制损坏。结果，可以以令人满意的精度检测到没有用户配置文件的恶意消息。实验是使用Twitter上折衷帐户的现实世界数据集构建的。结果表明该模型适用于由于达到89％的精度而适用于检测。
translated by 谷歌翻译
利用电热致动器模拟软机械肢体的动力学通常由于热电磁力和机械磁力和机器人操作期间可能出现的复杂物理相互作用而挑战。本文提出了基于长期短期内存（LSTM）的神经网络，以解决执行器建模中的这些挑战。用一对形状记忆合金（SMA）线圈和包含用于温度和角度偏转的嵌入式传感器的平面软肢体，用作测试平台。来自该机器人的数据用于使用不同的传感器数据的不同组合训练LSTM神经网络，以模拟单向（一个SMA）和双向（两个SMA）运动。 Open-Loop Rollout结果表明，学习模型能够通过漂移较小的漂移来预测超长开环时间尺度（10分钟）的运动。即使仅使用致动器的脉冲宽度调制输入，预测误差是在柔软偏转传感器的精度的顺序上，即使使用致动器的脉冲宽度调制输入。这些LSTM型号可以原位使用，无需广泛的传感，有助于将软电热驱动的机器人带入实际应用中。
translated by 谷歌翻译