这项工作提出了一种新的方法，可以使用有效的鸟类视图表示和卷积神经网络在高速公路场景中预测车辆轨迹。使用基本的视觉表示，很容易将车辆位置，运动历史，道路配置和车辆相互作用轻松包含在预测模型中。 U-NET模型已被选为预测内核，以使用图像到图像回归方法生成场景的未来视觉表示。已经实施了一种方法来从生成的图形表示中提取车辆位置以实现子像素分辨率。该方法已通过预防数据集（一个板载传感器数据集）进行了培训和评估。已经评估了不同的网络配置和场景表示。这项研究发现，使用线性终端层和车辆的高斯表示，具有6个深度水平的U-NET是最佳性能配置。发现使用车道标记不会改善预测性能。平均预测误差为0.47和0.38米，对于纵向和横向坐标的最终预测误差分别为0.76和0.53米，预测轨迹长度为2.0秒。与基线方法相比，预测误差低至50％。
translated by 谷歌翻译
在科学和工程的几个领域，识别化合物至关重要。基于激光的技术对于自主化合物检测很有希望，因为材料的光学响应编码了足够的电子和振动信息，以供远程化学识别。使用红外吸收光谱的指纹区域对此进行了利用，后者涉及一组密集的吸收峰，这些吸收峰是单个分子独有的，从而促进化学鉴定。但是，尚未实现使用可见光的光学识别。在从紫外线到远红外的纯有机化合物和聚合物的科学文献中，使用数十年的实验折射率数据，我们开发了一个机器学习分类器，该分类器可以基于单波长准确地识别有机物种可见光谱区域的色散测量，远离吸收共振。这里提出的光学分类器可以应用于自主材料识别协议或应用程序。
translated by 谷歌翻译
内窥镜图像的估计深度是广泛的AI辅助技术的预先确定，即精确定位，肿瘤测量，或识别未被检查的区域。作为结肠镜片的域特异性 - 一种可变形的低纹理环境，具有流体，较差的照明条件和突然的传感器运动 - 对多视图方法构成挑战，单视深度学习被视为一个有希望的研究线。在本文中，我们探讨了在结肠镜检查中的单视深度估计的第一次贝叶斯深网络。它们的不确定性量化为这种关键应用领域提供了极大的潜力。我们的具体贡献是两倍：1）对贝叶斯深网络进行深度估计的详尽分析，以三个不同的数据集，突出了关于综合对象变化和监督与自我监督方法的挑战和结论; 2）一种新的教师学生对深度深度学习的方法，考虑到教师不确定性。
translated by 谷歌翻译
天气预报在人类日常生活的多个方面起着重要作用。目前，基于物理的数值天气预报用于预测天气，并且需要大量的计算资源。近年来，基于深度学习的模型在许多天气预报相关任务中都有广泛的成功。在本文中，我们描述了我们的天气421攻击的实验，其中基于初始时空数据的初始一小时来预测8小时的时空天气数据。我们专注于SMAAT-UNET，一个高效的U-Net基于AutoEncoder。通过这种型号，我们可以获得优异的结果，同时保持低计算资源。此外，在纸张结束时讨论了几种方法和可能的未来工作。
translated by 谷歌翻译
不确定性量化对于机器人感知至关重要，因为过度自信或点估计人员可以导致环境和机器人侵犯和损害。在本文中，我们评估了单视图监督深度学习中的不确定量化的可扩展方法，特别是MC辍学和深度集成。特别是对于MC辍学，我们探讨了阵列在架构中不同级别的效果。我们表明，在编码器的所有层中添加丢失会带来比文献中的其他变化更好的结果。此配置类似地执行与Deep Ensembles具有更低的内存占用，这是相关的简单。最后，我们探讨了伪RGBD ICP的深度不确定性，并展示其估计具有实际规模的准确的双视图相对运动的可能性。
translated by 谷歌翻译
机器人通常不会以安全为主要问题创建。对比典型IT系统，私人系统依赖于安全性来处理安全方面。鉴于前者，诸如常见漏洞评分系统（CVS）之类的经典评分方法无法准确捕获机器人漏洞的严重程度。目前的研究工作侧重于创建一个开放，自由地访问机器人漏洞评分系统（RVSS），该系统（RVSS）考虑机器人中的主要相关问题，包括a）机器人安全方面，b）对给定漏洞，c）图书馆和第三个漏洞的下游影响的评估-Party评分评估和D）环境变量，例如自漏洞泄露或网络上的曝光率。最后，提供了与CVSS对比的RVSS的实验评估，并侧重于专注于机器人安全景观。
translated by 谷歌翻译
机器人在社会中取得了相关性，越来越越来越关注关键任务。尽管如此，机器人安全性被低估了。机器人安全性是一种复杂的景观，通常需要一个跨纪的横向落后的横向学科视角。要解决此问题，我们介绍了机器人安全框架（RSF），一种方法，用于在机器人中执行系统安全评估。我们提出，调整和开发特定术语，并提供了在四个主要层次（物理，网络，固件和应用程序）之后实现整体安全评估的指南。我们认为现代机器人应视为同样相关的内部和外部沟通安全。最后，我们倡导“通过默默无闻的安全”。我们得出结论，机器人中的安全领域值得进一步的研究努力。
translated by 谷歌翻译