与RGB图像相比，高光谱图像包含更多数量的通道，因此包含有关图像中实体的更多信息。卷积神经网络（CNN）和多层感知器（MLP）已被证明是一种有效的图像分类方法。但是，他们遭受了长期培训时间和大量标记数据的要求，以达到预期的结果。在处理高光谱图像时，这些问题变得更加复杂。为了减少训练时间并减少对大型标记数据集的依赖性，我们建议使用转移学习方法。使用PCA将高光谱数据集预处理到较低的维度，然后将深度学习模型应用于分类。然后，转移学习模型使用该模型学到的功能来解决看不见的数据集上的新分类问题。进行了CNN和多个MLP体系结构模型的详细比较，以确定最适合目标的最佳体系结构。结果表明，层的缩放并不总是会导致准确性的提高，但通常会导致过度拟合，并增加训练时间。通过应用转移学习方法而不仅仅是解决问题，训练时间更大程度地减少了。通过直接在大型数据集上训练新模型，而不会影响准确性。
translated by 谷歌翻译
在本文中，我们提出了针对无人接地车辆（UGV）的新的控制屏障功能（CBF），该功能有助于避免与运动学（非零速度）障碍物发生冲突。尽管当前的CBF形式已经成功地保证了与静态障碍物的安全/碰撞避免安全性，但动态案例的扩展已获得有限的成功。此外，借助UGV模型，例如Unicycle或自行车，现有CBF的应用在控制方面是保守的，即在某些情况下不可能进行转向/推力控制。从经典的碰撞锥中汲取灵感来避免轨迹规划，我们介绍了其新颖的CBF配方，并具有对独轮车和自行车模型的安全性保证。主要思想是确保障碍物的速度W.R.T.车辆总是指向车辆。因此，我们构建了一个约束，该约束确保速度向量始终避开指向车辆的向量锥。这种新控制方法的功效在哥白尼移动机器人上进行了实验验证。我们将其进一步扩展到以自行车模型的形式扩展到自动驾驶汽车，并在Carla模拟器中的各种情况下证明了避免碰撞。
translated by 谷歌翻译
视觉事件的感知任务，如动作定位主要集中在静态观察者下的监督学习设置，即，相机是静态的，不能通过算法控制。它们通常受到\ Texit {Annotated}培训数据的质量，数量和多样性，并且通常不会概括为域外样本。在这项工作中，我们解决了主动动作本地化的问题，其中目标是在控制活动摄像机的几何和物理参数时本地化一个动作，以便在不训练数据的情况下在视野中保持动作。我们制定了一种基于能量的机制，将预测学习和反应性控制结合到没有奖励的无需奖励的主动动作定位，这可以在现实世界环境中稀疏或不存在。我们在两个任务上对模拟和现实世界的环境进行了广泛的实验 - 活动对象跟踪和主动操作本地化。我们展示了所提出的方法可以以媒体方式以不同的任务和环境概括，而无明确的奖励或培训。我们表明，拟议的方法优于未经监督的基线，与培训具有加强学习的人相比，获得竞争性能。
translated by 谷歌翻译