利用观测到的流体压力和速率的瞬态数据来校准储层模型是获得地球地下流动和运移行为的预测模型的关键任务。模型校准任务,通常称为“历史匹配”,可以形式化为不适定的反问题,其中我们的目标是找到解释观察到的动态数据的岩石物理特性的基础空间分布。我们使用在地质统计学基于对象的模型上预训练的年龄对抗网络来表示烃类储层合成模型的岩石属性分布。使用瞬态两相不可压缩达西公式来模拟储层流体的动态行为。通过首先使用预先训练的生成模型对属性分布进行建模,然后使用前向问题的相邻方程对控制生成模型输出的潜变量进行梯度下降,对基础储层性质进行转换。除了动态观测数据外,我们还通过引入额外的目标函数来包括岩石类型的约束。我们的贡献表明,对于一个综合测试案例,我们能够通过优化深度生成模型的潜变量空间来获得逆问题的解,给出一组非线性前向问题的瞬态观察。
translated by 谷歌翻译
在过去的十年中,受到大脑启发的人工智能(AI)模型在执行真实世界的感知任务(如对象分类和语音识别)方面取得了前所未有的进步。最近,自然智能的研究人员已经开始使用这些AI模型来探索大脑如何执行这些任务。这些发展表明,未来的进展将受益于学科之间不断增加的互动。在这里,我们将AlgonautsProject介绍为一个结构化和定量的沟通渠道,用于自然和人工智能研究人员之间的跨学科交互。该项目的核心是一个开放的挑战,其定量基准,其目标是通过计算模型来计算大脑数据。该项目有可能提供更好的自然智能模型,并收集推进人工智能的研究结果。 2019年的Algonauts项目专注于对人类观察物体图像时预测人类大脑活动的计算模型进行基准测试。 2019年版的Algonauts项目可在线获取:http://algonauts.csail.mit.edu/。
translated by 谷歌翻译
机器人在越来越复杂的环境中使用,并且有望适应变化和未知情况。最简单,最快捷的方法是改变机器人的控制系统,但对于越来越复杂的环境,人们也应该改变机器人的身体 - 它的形态 - 以更好地适应手头的任务。体验认知的理论认为,控制不是认知的唯一来源,身体,环境,这些与心灵之间的相互作用都有助于认知资源。利用这些概念可以改善适应性,稳健性和多功能性,然而,在现实世界的机器人上执行这些概念会对硬件提出额外的要求,并且与学习控制相比有几个挑战。与进化机器人技术的大部分工作相比,艾本在“进化机器人的巨大挑战”中争论真实世界的实验。这需要能够进行重复实验的强大硬件平台,当不可预见的需求出现时,这些实验同时应该是灵活的。在本文中,我们介绍了具有自适应形态的独特机器人平台。我们讨论了设计时遇到的挑战,以及从现实世界测试和学习中汲取的经验教训。
translated by 谷歌翻译
贝叶斯推理的现代应用涉及足够复杂的模型,相应的后验分布是必需的并且必须近似。最常见的近似是基于马尔可夫链蒙特卡罗,但是当数据集很大和/或模型很复杂时这些可能很昂贵,因此更有效的变分近似最近得到了相当多的关注。传统的变分方法,旨在最小化Kullback - Leibler在相对简单的参数族之间的差异,提供后验均值的准确和有效的估计,但往往不捕捉其他时刻,并且在模型方面有局限性。它们可以应用。在这里,我们提出了基于最小化Fisher散度的变分近似的构造,并开发了一种有效的计算算法,该算法可以应用于各种模型而无需共轭或可能不现实的中心假设。我们证明了所提出的方法对于逻辑回归的基准情况的优越性能。
translated by 谷歌翻译
机器人研究通常建立在通过对我们如何与世界交互的自我检查的见解所激发的方法的基础上。然而,鉴于目前关于人类认知和感觉处理的理论,有理由认为大脑的内部运作与我们与世界和我们自己的接触方式是分开的。为了修正这些从自我检查中产生的误解,本文回顾了人类对认知和行为的视觉理解,特别是操纵。我们的重点是确定总体原则,例如分离为行动和认知的视觉处理,视觉输入的分层处理,以及行动视觉处理的背景和预期性质。我们还提供了对先前关于视觉理解的理论的初步阐述,这些理论展示了自我检查如何导致错误的道路。我们希望这篇文章将为机器人研究人员提供见解,帮助他们在自我检查的道路上行进,给他们一个关于人类视觉处理的现有理论的概述,并提供进一步相关阅读的来源。
translated by 谷歌翻译
尽管其重要性,乘客需求预测仍然是一个具有高度挑战性的问题,因为需求同时受到许多空间和时间因素与其他外部因素(如天气)之间的复杂相互作用的影响。为了解决这个问题,我们提出了一个Spatio-TEmporalFuzzy神经网络(STEF-Net)来准确预测乘客需求,以解决所有已知重要因素的复杂相互作用。我们设计了一个端到端的学习框架,其中不同的神经网络建模了不同的因素。具体而言,我们建议通过卷积长短期记忆网络和模式神经网络捕获时空特征交互,模糊神经网络处理的数据不确定性明显优于确定性方法。为了在融合两个网络时保持时间关系并强调有区别的时空特征交互,我们采用了一种新的特征融合方法,即卷积操作和注意层。据我们所知,我们的工作是第一个深度递归神经网络和模糊神经网络来模拟复杂的时空特征相互作用与额外的不确定输入特征进行预测学习。在大型真实世界数据集上的实验表明,我们的模型比最先进的方法实现了超过10%的改进。
translated by 谷歌翻译
我们使用多个移动代理来研究分类问题,这些移动代理能够收集(部分)与未知环境相关的姿势依赖性观察。目标是在有限的时间范围内对图像(例如,大区域的地图)进行分类。我们提出了一个关于代理如何形成本地信念,采取局部行动,从原始部分观察中提取相关特征和规范的网络架构。允许代理商与其邻近的代理商交换信息,并运行分散的共识协议来更新他们自己的信念。它显示了如何利用加强学习技术来实现分类问题的分散实施。我们对MNIST手写digitdataset的实验结果证明了我们提出的框架的有效性。
translated by 谷歌翻译
神经网络捕获关系知识的能力是一个长期存在争议的问题。最近,PDP的一些研究人员认为,(1)经典PDP模型可以处理关系结构(Rogers&McClelland,2008,2014)和(2)深度学习方法对文本处理的成功表明结构化表示是不必要的。捕捉人类语言的要点(Rabovsky等,2018)。在目前的研究中,我们测试了Story Gestalt模型(St. John,1992),一个经典的文本理解PDP模型,以及一个带有注意力模型的序列到序列(Bahdanau等,2015),一个当代深度学习架构的文本处理。两个模型都经过培训,可以根据几个概念在故事中扮演的主题角色回答有关故事的问题。在三个关键测试中,我们改变了新故事的统计结构,同时保持他们的关系结构在训练数据方面保持不变。每个模型都容易受到每个统计结构操纵到不同程度的影响,他们的表现低于机会,至少不能操纵。我们认为两种模型的失败都是由于它们无法对独立角色和填充物进行动态绑定这一事实。最后,这些结果使传统神经网络模型适用于解释基于关系推理的现象,包括语言处理。
translated by 谷歌翻译
尽管过去已经建立了许多用于自动驾驶的研究车辆平台,但硬件设计,源代码和经验教训尚未提供给下一代示范者。这为研究界提供了基于实际评估的结果的努力,因为建立和维护研究车辆的工程知识丢失了。在本文中,我们分析了我们将开源驱动堆栈转移到研究工具的方法。我们将硬件和软件设置放在其他演示器的上下文中,并指出了导致我们选择的硬件和软件设计的标准。具体来说,我们讨论了Apollo驱动堆栈到我们研究工具的系统布局的映射,包括与执行器的通信通过在实时硬件平台上运行的控制器和传感器设置的集成。通过我们收集的经验教训,我们鼓励其他研究小组在未来更快地设置此类系统。
translated by 谷歌翻译
我们在道路驾驶视频中制定了一个新的问题作为对象重要性估计(OIE),如果道路使用者对自我车辆驾驶员的控制决策有影响,则将道路使用者视为重要对象。道路使用者的重要性取决于其在驾驶场景中的视觉动态,例如外观,运动和位置,以及自我车辆的计划路径\ emph {例如}。我们提出了一个新的框架,它结合了视觉模型和目标表示来进行OIE。为了评估我们的框架,我们在现实世界中的交通交叉点收集道路驾驶数据集,并对重要对象进行人工标注注释。实验结果表明,我们的目标导向方法优于基线,并且在左转和右转方案上有了更多的改进。此外,我们探索了使用客观控制进行驾驶控制预测的可能性,并证明了利用对象重要性信息可以改善二元制动预测。
translated by 谷歌翻译