自主驾驶的车辆必须能够以无碰撞的方式在动态和不可预测的环境中导航。到目前为止，这仅是在无人驾驶汽车和仓库装置中部分实现的，在该装置中，诸如道路，车道和交通标志之类的标记结构简化了运动计划和避免碰撞问题。我们正在为类似汽车的车辆提供一种新的控制方法，该方法基于前所未有的快节奏A*实现，该方法允许控制周期以30 Hz的频率运行。这个频率使我们能够将A*算法作为低级重型控制器，非常适合在几乎任何动态环境中导航和避免碰撞。由于有效的启发式方法由沿着目标最短路径铺设的旋转 - 翻译 - 旋转运动运动，因此我们的短期流产A*（staa*）会快速收敛，并可以尽早中止，以确保高而稳定的控制速度。尽管我们的staa*沿着最短路径扩展状态，但它会照顾与环境的碰撞检查，包括预测的移动障碍状态，并返回计算时间用完时找到的最佳解决方案。尽管计算时间有限，但由于最短路径的以下路径，我们的staa*并未被困在拐角处。在模拟和实体机器人实验中，我们证明了我们的控制方法几乎完全消除了碰撞，并且具有改进的动态窗口方法的改进版本，并具有预测性的避免功能。
translated by 谷歌翻译
缺乏自由获得的（现实生活或合成）高或超高维度的多级数据集可能会阻碍对特征筛查的快速增长的研究，尤其是在生物识别技术领域，在这种情况下，此类数据集使用很常见。本文报告了一个名为Biometricblender的Python软件包，它是一种超高维，多级合成数据生成器，可基于广泛的功能筛选方法进行基准测试。在数据生成过程中，用户可以控制混合特征的总体实用性和相互关系，因此合成特征空间能够模仿真实生物识别数据集的关键属性。
translated by 谷歌翻译
本文考虑了学习历史依赖性任务规范的问题，例如，来自专家演示的自动机和时间逻辑。不幸的是，所考虑的（可爱的无限）的任务数结合了一个优先考虑对所历史特征进行编码所需的历史特征，使得现有的学习任务免受示范不适用的方法。为了解决这一赤字，我们提出了通过黑匣子访问（i）最大熵计划和（ii）用于识别概念，例如自动机的算法，从标记的示例识别概念的算法的算法通过在（i）之间的交替之间的标有标记的例子之间的作用，以使示威性令人惊讶和（ii）与当前标记的实施例一致的采样概念。在确定性有限自动机描述的任务的背景下，我们提供了一种有效地结合了任务的部分知识和单一专家演示来识别完整任务规范的具体实施。
translated by 谷歌翻译