Our team, Hibikino-Musashi@Home (the shortened name is HMA), was founded in 2010. It is based in the Kitakyushu Science and Research Park, Japan. We have participated in the RoboCup@Home Japan open competition open platform league every year since 2010. Moreover, we participated in the RoboCup 2017 Nagoya as open platform league and domestic standard platform league teams. Currently, the Hibikino-Musashi@Home team has 20 members from seven different laboratories based in the Kyushu Institute of Technology. In this paper, we introduce the activities of our team and the technologies.
translated by 谷歌翻译
捍卫深层神经网络免受对抗性示例是AI安全的关键挑战。为了有效地提高鲁棒性，最近的方法集中在对抗训练中的决策边界附近的重要数据点上。但是，这些方法容易受到自动攻击的影响，这是无参数攻击的合奏，可用于可靠评估。在本文中，我们通过实验研究了其脆弱性的原因，发现现有方法会减少真实标签和其他标签的逻辑之间的利润，同时保持其梯度规范非微小值。减少的边缘和非微小梯度规范会导致其脆弱性，因为最大的logit可以轻松地被扰动翻转。我们的实验还表明，logit边缘的直方图具有两个峰，即小和大的logit边缘。从观察结果来看，我们提出了切换单重损失（SOVR），当数据具有较小的logit rumgins时，它会使用单重损失，从而增加边缘。我们发现，SOVR比现有方法增加了logit的利润率，同时使梯度规范保持较小，并且在针对自动攻击的鲁棒性方面超越了它们。
translated by 谷歌翻译
使用移动操纵器来整理家庭环境，在机器人技术中提出了各种挑战，例如适应大型现实世界的环境变化，以及在人类面前的安全和强大的部署。2021年9月举行的全球竞赛，对真正的家庭环境中的整理任务进行了基准测试，重要的是，对全面的系统性能进行了测试。对于此挑战，我们开发了整个家庭服务机器人系统，该机器人系统利用数据驱动的方法来适应众多的方法在执行过程中发生的边缘案例，而不是经典的手动预编程解决方案。在本文中，我们描述了提出的机器人系统的核心成分，包括视觉识别，对象操纵和运动计划。我们的机器人系统赢得了二等奖，验证了数据驱动的机器人系统在家庭环境中移动操作的有效性和潜力。
translated by 谷歌翻译
我们将2D盲点估计作为道路场景理解的关键视觉任务。通过自动检测从车辆有利位置阻塞的道路区域，我们可以主动提醒手动驾驶员或自动驾驶系统，以实现事故的潜在原因（例如，引起人们对孩子可能逃脱的道路区域的注意）。在完整3D中检测盲点将是具有挑战性的，因为即使汽车配备了LIDAR，3D推理也会非常昂贵且容易发生。相反，我们建议从单眼相机中学习估计2D中的盲点。我们通过两个步骤实现这一目标。我们首先引入了一种自动方法，用于通过利用单眼深度估计，语义细分和SLAM来生成``地面真相''盲点训练数据，以进行任意驾驶视频。关键的想法是在3D中推理，但要从2D图像定义为那些目前看不见但在不久的将来看到的道路区域。我们使用此自动离线盲点估计来构建一个大规模数据集，我们称之为道路盲点（RBS）数据集。接下来，我们介绍BlindSpotnet（BSN），这是一个简单的网络，该网络完全利用此数据集，以完全自动估算框架盲点概率图，以用于任意驾驶视频。广泛的实验结果证明了我们的RBS数据集的有效性和BSN的有效性。
translated by 谷歌翻译
我们引入了责任感敏感安全性（RSS）的目标延长，这是一种基于规则的自动驾驶系统安全保证（ADS）的方法。制定RSS规则保证目标实现 - 除了原始RSS中的避免碰撞外，还需要进行长时间的操纵序列的复杂计划。为了应对复杂性，我们基于程序逻辑引入了一个构图推理框架，其中可以系统地为较小的子赛车制定RSS规则，并将它们组合起来以获取用于较大场景的RSS规则。作为框架的基础，我们介绍了一个程序逻辑DFHL，可满足连续的动态和安全条件。我们的框架介绍了基于DFHL的工作流程，用于导出目标感知RSS规则；我们也讨论其软件支持。我们在安全体系结构中使用RSS规则进行了实验评估。它的结果表明，目标感知RSS确实有效地实现了避免碰撞和目标实现目标。
translated by 谷歌翻译
联合学习（FL）允许许多代理参与培训全球机器学习模型，而无需透露本地存储的数据。与传统的分布式学习相比，药物的异质性（非IID）减慢了FL中的收敛性。此外，许多数据集太嘈杂或太小，很容易被复杂模型（例如深神经网络）过度拟合。在这里，我们考虑在嘈杂，分层和表格数据集上使用FL回归的问题，在该数据集中，用户分布有显着差异。受潜在类回归（LCR）的启发，我们提出了一种新颖的概率模型，分层潜在阶级回归（HLCR）及其扩展到联邦学习的扩展。 FEDHLCR由线性回归模型的混合物组成，比简单的线性回归允许更好的准确性，同时保持其分析性能并避免过度拟合。我们的推论算法源自贝叶斯理论，为过度拟合提供了强大的融合保证和良好的鲁棒性。实验结果表明，FedHLCR即使在非IID数据集中也提供快速收敛。
translated by 谷歌翻译
在在线广告中，可以通过某个拍卖系统对一系列潜在的广告进行排名，其中通常会在广告领域中选择和展示Top-1广告。在本文中，我们显示了拍卖系统中存在的选择偏差问题。我们分析选择偏见破坏了拍卖的真实性，这意味着拍卖中的买家（广告商）无法最大化其利润。尽管选择偏见在统计领域是众所周知的，并且有很多研究，但我们的主要贡献是将偏见的理论分析与拍卖机制相结合。在使用在线A/B测试的实验中，我们评估了拍卖系统上的选择偏差，该拍卖系统的排名得分是预测的CTR（单击率）广告的函数。该实验表明，通过使用多任务学习来学习所有广告的数据，可以大大降低选择偏差。
translated by 谷歌翻译
基准，如Coco，在物体检测中发挥至关重要的作用。然而，现有的基准在规模变化中不足，他们的协议不足以进行公平比较。在本文中，我们介绍了通用尺度对象检测基准（USB）。 USB通过将Coco与最近提出的Waymo Open DataSet和Manga109-S数据集合并了Coco，USB具有对象尺度和图像域的变化。为了实现公平的比较和包容性研究，我们提出了培训和评估议定书。它们有多个部门用于培训时期和评估图像分辨率，如体育中的重量类，以及跨训练协议的兼容性，如通用串行总线的后向兼容性。具体而言，我们要求参与者报告结果，不仅具有更高的协议（更长的培训），而且还有更低的协议（较短培训）。使用所提出的基准和协议，我们分析了八种方法，发现了现有的Coco-偏偏见方法的缺点。代码可在https://github.com/shinya7y/universenet上获得。
translated by 谷歌翻译