触觉是人类敏捷的基础。当模仿机器人触摸（尤其是使用软光学触觉传感器）时，由于运动依赖性剪切而遭受失真。这使触觉任务复杂化，例如形状重建和探索，需要有关接触几何的信息。在这项工作中，我们采用半监督的方法来删除剪切，同时保留仅接触信息。我们通过显示模型生成的未切除图像与它们的对应物之间的匹配来验证我们的方法。模型生成的未切除图像给出了忠实的接触几何形状的重建，否则将剪切掩盖，以及对物体姿势的强大估计，然后用于滑动探索和对几种平面形状的全面重建。我们表明，我们的半监督方法的性能与在所有验证任务中的全面监督对等方面的性能相当，而监督的监督较少。因此，半监督方法更加计算和标记样品效率。我们预计，它将对通过剪切敏感的触觉执行的各种复杂触觉探索和操纵任务具有广泛的适用性。
translated by 谷歌翻译
高分辨率光触觉传感器越来越多地用于机器人学习环境中，因为它们能够捕获与试剂环境相互作用直接相关的大量数据。但是，由于触觉机器人平台的高成本，专业的仿真软件以及在不同传感器之间缺乏通用性的模拟方法，因此在该领域的研究障碍很高。在这封信中，我们将触觉健身房的模拟器扩展到两种最受欢迎的类型类型的三个新的光学触觉传感器（Tactip，Digit和Digitac），分别是Gelsight Style（基于图像遮蔽）和Tactip Style（基于标记）。我们证明，尽管实际触觉图像之间存在显着差异，但可以与这三个不同的传感器一起使用单个SIM到实现的方法，以实现强大的现实性能。此外，我们通过将其调整为廉价的4道机器人组来降低对拟议任务的进入障碍，从而进一步使该基准的传播。我们在三个需要触摸感的身体相互交互的任务上验证了扩展环境：对象推动，边缘跟随和表面跟随。我们实验验证的结果突出了这些传感器之间的一些差异，这可能有助于未来的研究人员选择并自定义触觉传感器的物理特征，以进行不同的操纵场景。
translated by 谷歌翻译
空中触觉创造了一种新的反馈方式，以使人们能够在空中感觉到触觉。超声波阵列聚焦在空间中的声音辐射压力，以引起由此产生的皮肤偏转的触觉感觉。在这项工作中，我们提出了一个低成本的触觉机器人，以测试空中触觉。通过将桌面机器人组与3D打印的仿生触觉传感器相结合，我们开发了一个可以感知，映射和可视化超声传感器阵列产生的空气触觉感觉的系统。我们通过对各种空气中的触觉刺激进行测试，包括未经调节和调节的焦点来评估触觉机器人。我们将刺激的映射与用于测试空气中触觉的另一种方法的映射：激光多普勒振动法，突出了触觉机器人的优势，包括较低的成本，轻巧的表格因子和易用性。总体而言，这些发现表明我们的方法具有感知空气中触觉的多重好处，并为扩展测试以更好地模仿人触觉感知开辟了新的可能性。
translated by 谷歌翻译
深度学习与高分辨率的触觉传感相结合可能导致高度强大的灵巧机器人。但是，由于专业设备和专业知识，进度很慢。数字触觉传感器可使用Gelsight型传感器提供低成本的高分辨率触摸。在这里，我们将数字定制为基于柔软仿生光学触觉传感器的Tactip家族具有3D打印的传感表面。 Digit-Tactip（Digitac）可以在这些不同的触觉传感器类型之间进行直接比较。为了进行此比较，我们引入了一个触觉机器人系统，该机器人系统包括桌面臂，坐骑和3D打印的测试对象。我们将触觉伺服器控制与Posenet深度学习模型一起比较数字，Digitac和Tactip，以在3D形状上进行边缘和表面跟随。这三个传感器在姿势预测上的性能类似，但是它们的构造导致伺服控制的性能不同，为研究人员选择或创新触觉传感器提供了指导。复制此研究的所有硬件和软件将公开发布。
translated by 谷歌翻译
本文介绍了BRL/PISA/IIT（BPI）SOFTHAND：单个执行器驱动的，低成本，3D打印，肌腱驱动的机器人手，可用于执行一系列掌握任务。基于PISA/IIT SOFTHAND的自适应协同作用，我们设计了一种新的关节系统和肌腱路由，以促进软化和适应性的协同作用，这有助于我们平衡手的耐用性，负担能力和握住手的性能。这项工作的重点在于该杂种的设计，仿真，协同作用和抓握测试。新颖的小块是根据连锁，齿轮对和几何约束机制设计和印刷的，可以应用于大多数肌腱驱动的机器人手。我们表明，机器人手可以成功地掌握和提起各种目标对象并适应复杂的几何形状，从而反映了软化和适应性协同的成功采用。我们打算为手的设计开放源，以便可以在家用3D打印机上廉价地构建。有关更多详细信息：https：//sites.google.com/view/bpi-softhandtactile-group-bri/brlpisaiit-softhand-design
translated by 谷歌翻译
仿真最近已成为深度加强学习，以安全有效地从视觉和预防性投入获取一般和复杂的控制政策的关键。尽管它与环境互动直接关系，但通常认为触觉信息通常不会被认为。在这项工作中，我们展示了一套针对触觉机器人和加强学习量身定制的模拟环境。提供了一种简单且快速的模拟光学触觉传感器的方法，其中高分辨率接触几何形状表示为深度图像。近端策略优化（PPO）用于学习所有考虑任务的成功策略。数据驱动方法能够将实际触觉传感器的当前状态转换为对应的模拟深度图像。此策略在物理机器人上实时控制循环中实现，以演示零拍摄的SIM-TO-REAL策略转移，以触摸感的几个物理交互式任务。
translated by 谷歌翻译
机器学习和特别是强化学习（RL）在帮助我们了解神经决策过程方面非常成功。但是，RL在理解其他神经过程中的作用，尤其是运动学习的探索程度要少得多。为了探索这种联系，我们研究了最近的深度RL方法与基于错误的学习神经科学中的主要运动学习框架相对应。可以使用镜面反转适应范式探测基于错误的学习，在该范式中，它产生了独特的定性预测，这些预测在人类中观察到。因此，我们在镜面逆向上测试了现代深度RL算法的三个主要家庭。令人惊讶的是，所有算法都无法模仿人类的行为，并且确实表现出与基于错误的学习预测的行为。为了填补这一空白，我们引入了一种新颖的深度RL算法：基于模型的确定性策略梯度（MB-DPG）。 MB-DPG通过明确依靠观察到的动作结果来从基于错误的学习中汲取灵感。我们在镜像和旋转扰动下显示MB-DPG捕获（人）基于错误的学习。接下来，我们以MB-DPG的形式展示了基于错误的学习，比基于复杂的ARM的到达任务的规范无模型算法更快，同时比基于模型的RL更适合（正向）模型错误。这些发现突出了当前的深度RL方法与人类电动机适应之间的差距，并提供了缩小这一差距的途径，从而促进了两个领域之间未来的有益相互作用。
translated by 谷歌翻译
宇宙学调查实验中的数据处理和分析管道引入了数据扰动，可以显着降低基于深度学习的模型的性能。鉴于加工和分析宇宙学调查数据的监督深度学习方法的增加，数据扰动效应的评估以及增加模型稳健性的方法的发展越来越重要。在星系形态分类的背景下，我们研究了扰动在成像数据中的影响。特别是，我们在基线数据培训和扰动数据测试时检查使用神经网络的后果。我们考虑与两个主要来源相关的扰动：1）通过泊松噪声和2）诸如图像压缩或望远镜误差的图像压缩或望远粉误差所产生的步骤所产生的数据处理噪声提高了观测噪声。我们还测试了域适应技术在减轻扰动驱动误差时的功效。我们使用分类准确性，潜在空间可视化和潜在空间距离来评估模型稳健性。如果没有域适应，我们发现处理像素级别错误容易将分类翻转成一个不正确的类，并且更高的观察噪声使得模型在低噪声数据上培训无法对Galaxy形态进行分类。另一方面，我们表明，具有域适应的培训改善了模型稳健性并减轻了这些扰动的影响，以更高的观测噪声的数据提高了23％的分类精度。域适应也增加了基线与错误分类的错误分类的潜在空间距离〜2.3的倍数距离，使模型更强大地扰动。
translated by 谷歌翻译
近年来，近期量子机器学习的研究已经探索了归一机学习算法如何获得Quantum核（相似度措施）的访问能够优于其纯粹的经典对应物。虽然理论上的工作已经在合成数据集上显示了可提供的优势，但没有对迄今为止的工作证明估计量子优势是可实现的，并且具有什么样的数据集。在本文中，我们报告了医疗保健和生命科学的经验量子优势（EQA）的首次系统调查，并提出了一个学习EQA的端到端框架。我们选择了电子健康记录（EHRS）数据子集，并创建了5-20个功能的配置空间和200-300个培训样本。对于每个配置坐标，我们使用IBM量子计算机训练基于径向基函数（RBF）内核和Quantum型号的径向基函数（RBF）内核和量子型号进行培训。我们经验鉴定了Quantum核可以在特定数据集中提供优势的制度，并且引入了地形坚固耐性索引，以帮助定量地估计给定模型的准确度作为特征数和样本大小的函数来执行的指标。这里介绍的概括框架代表了朝向可以存在量子优势的数据集的先验识别的关键步骤。
translated by 谷歌翻译
This paper presents a machine learning approach to multidimensional item response theory (MIRT), a class of latent factor models that can be used to model and predict student performance from observed assessment data. Inspired by collaborative filtering, we define a general class of models that includes many MIRT models. We discuss the use of penalized joint maximum likelihood (JML) to estimate individual models and cross-validation to select the best performing model. This model evaluation process can be optimized using batching techniques, such that even sparse large-scale data can be analyzed efficiently. We illustrate our approach with simulated and real data, including an example from a massive open online course (MOOC). The high-dimensional model fit to this large and sparse dataset does not lend itself well to traditional methods of factor interpretation. By analogy to recommender-system applications, we propose an alternative "validation" of the factor model, using auxiliary information about the popularity of items consulted during an open-book exam in the course.
translated by 谷歌翻译