机器人钉孔组装是机器人自动化研究中的重要任务。加强学习（RL）与深度神经网络（DNN）相结合，导致了这一领域的非凡成就。但是，在融合应用程序的独特环境和任务要求下，当前基于RL的方法几乎无法表现出色。因此，我们提出了一种新设计的基于RL的方法。此外，与其他方法不同，我们专注于DNN的结构而不是RL模型的创新。从RGB摄像机和力/扭矩（F/T）传感器中输入的数据，将其输入到多输入分支网络中，并且当前状态中的最佳动作是由网络输出的。所有训练和实验都是在现实的环境中进行的，从实验结果中，这种多传感器融合方法已显示在不确定和不稳定的环境中具有0.1mm精度的刚性钉钉组装任务中很好地工作。
translated by 谷歌翻译
我们提出了一种Saimaa环形密封（Pusa hispida saimensis）的方法。通过摄像机捕获和众包访问大型图像量，为动物监测和保护提供了新的可能性，并呼吁自动分析方法，特别是在重新识别图像中的单个动物时。所提出的方法通过PELAGE模式聚合（NORPPA）重新识别新型环形密封件，利用Saimaa环形密封件的永久和独特的毛线模式和基于内容的图像检索技术。首先，对查询图像进行了预处理，每个密封实例都进行了分段。接下来，使用基于U-NET编码器解码器的方法提取密封件的层模式。然后，将基于CNN的仿射不变特征嵌入并聚集到Fisher载体中。最后，使用Fisher载体之间的余弦距离用于从已知个体数据库中找到最佳匹配。我们在新的挑战性Saimaa环形密封件重新识别数据集上对该方法进行了各种修改的广泛实验。在与替代方法的比较中，提出的方法显示出在我们的数据集上产生最佳的重新识别精度。
translated by 谷歌翻译
野生动植物摄像机陷阱和众包材料提供了监测濒危动物物种的新型可能性。但是，这些方法产生的大量图像量对于研究人员来说是压倒性的，可以手动进行手动，要求自动系统执行分析。获得最关注的分析任务是重新确定个体，例如，它可以研究动物迁移或估计人口规模。 Saimaa环形海豹（Pusa hispida saimensis）是仅在芬兰西马阿湖中发现的濒危亚种，是现有的少数淡水海豹物种之一。环形密封件具有永久性的层模式，每个人都可以使用，可用于识别个体。密封的可变形性质以及环形图案和其余部分之间的不同外观和较低的对比度，使Saimaa环形密封重新识别任务变得非常具有挑战性，从而提供了良好的基准，从而提供了一个良好的基准，从而提供了一个良好的基准，从而提供了一个很好的基准来评估最新的基准 - ART重新识别方法。因此，我们使Saimaa环形密封图像（SealId）数据集（n = 57）公开用于研究目的。在本文中，描述了数据集，提出了重新识别方法的评估协议，并提供了两种基线方法的结果热点和NOPPA。 SEALID数据集已公开可用。
translated by 谷歌翻译