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
进化策略（ES）是一种基于自然进化概念的强大黑盒优化技术。在其每个迭代中，一个关键步骤都需要根据一些健身分数进行排名候选解决方案。对于增强学习的ES方法（RL），此排名步骤需要评估多个策略。目前是通过政策方法完成的：通过使用该策略与环境进行多次交互来估算每个政策的分数。这导致了很多浪费的互动，因为一旦排名完成，与排名最高的策略相关的数据仅用于后续学习。为了提高样品效率，我们基于适应性函数的局部近似，提出了一种新型的分支替代方案。我们在称为增强随机搜索（ARS）的最先进的ES方法的背景下演示了我们的想法。 Mujoco任务中的仿真表明，与原始ARS相比，我们的非政策变体具有相似的运行时间，即可达到奖励阈值，但仅需要70％左右的数据。它还胜过最近的信任区域。我们认为我们的想法也应该扩展到其他ES方法。
translated by 谷歌翻译
2022-11-24
The 1$^{\text{st}}$ Workshop on Maritime Computer Vision (MaCVi) 2023 focused on maritime computer vision for Unmanned Aerial Vehicles (UAV) and Unmanned Surface Vehicle (USV), and organized several subchallenges in this domain: (i) UAV-based Maritime Object Detection, (ii) UAV-based Maritime Object Tracking, (iii) USV-based Maritime Obstacle Segmentation and (iv) USV-based Maritime Obstacle Detection. The subchallenges were based on the SeaDronesSee and MODS benchmarks. This report summarizes the main findings of the individual subchallenges and introduces a new benchmark, called SeaDronesSee Object Detection v2, which extends the previous benchmark by including more classes and footage. We provide statistical and qualitative analyses, and assess trends in the best-performing methodologies of over 130 submissions. The methods are summarized in the appendix. The datasets, evaluation code and the leaderboard are publicly available at https://seadronessee.cs.uni-tuebingen.de/macvi.
translated by 谷歌翻译
在本文中，我们提出了一个声学侧通道攻击，该攻击利用智能手机麦克风记录了操作中的机器人来利用声音的声学特性来指纹机器人的动作。在这项工作中，我们考虑了仅配备其智能手机麦克风的机器人系统（例如技术人员或机器人操作员）的物理接近（例如技术人员或机器人操作员）的可能性。通过声学侧渠道，我们证明，确实有可能不仅可以在3D空间内的单个机器人运动，而且还可以进行运动模式，这些运动模式可能导致运动的目的（即手术机器人正在进行的手术程序），因此导致潜在的侵犯隐私行为。经过评估，我们发现可以用大约75％的精度将单个机器人运动刻印出来，并以更细粒度的移动元数据（如距离和速度）稍微降低。此外，工作流程的整体精度约为62％，可以重建工作流程，并具有更复杂的动作，例如采摘或包装，以几乎完美的精度重建。除此之外，在某些环境（例如手术环境）中，可以通过VOIP记录和传输音频，例如教育/教学目的或远程远程医疗。这里的问题是，即使采用了VoIP通信，同一攻击也能否成功，并且数据包损耗如何影响捕获的音频和攻击的成功？使用智能手机捕获的普通音频的声音的相同特征，指纹识别VoIP样品的攻击准确性为90％，而没有使用VoIP编解码器的基线比基线高15％。这打开了有关匿名通信的新研究问题，以通过VoIP通信网络保护机器人系统免受声学侧渠道攻击。
translated by 谷歌翻译
连接的遥控机器人系统在确保以高度准确性和低误差范围进行操作工作流程中起着关键作用。近年来，已经提出了各种攻击，这些攻击是从网络领域积极针对机器人本身的。但是，很少关注被动攻击者的能力。在这项工作中，我们研究了内部对手是否可以通过射频侧通道准确地指纹机器人运动和操作仓库工作流程。使用SVM进行分类，我们发现对手可以至少具有96％精度的指纹单个机器人运动，在重建整个仓库工作流程时，可以提高到几乎完美的精度。
translated by 谷歌翻译
手机等边缘设备上的微调模型将对敏感数据实现隐私的个性化。但是，在历史上，Edge训练仅限于具有简单体系结构的相对较小的模型，因为训练既是记忆力和能量密集型的。我们提出了诗人，这是一种算法，可以在存储器筛分的边缘设备上训练大型神经网络。诗人共同优化了重新布置和分页的综合搜索搜索空间，这两种算法可减少返回传播的记忆消耗。鉴于记忆预算和运行时间的限制，我们制定了一项混合成员线性计划（MILP），以进行最佳培训。我们的方法使培训能够在嵌入式设备上显着更大的模型，同时减少能源消耗，同时不修改反向传播的数学正确性。我们证明，可以在皮质类嵌入式设备的内存约束中微调RESNET-18和BERT，同时在能源效率方面的当前边缘训练方法的表现。诗人是一个开源项目，网址为https://github.com/shishirpatil/poet
translated by 谷歌翻译
互联机器人在行业4.0中起关键作用，为许多工业工作流提供了自动化和更高的效率。不幸的是，这些机器人可以将有关这些操作工作流程的敏感信息泄漏到远程对手。尽管存在在此类设置中使用端到端加密进行数据传输的任务，但被动对手完全有可能进行指纹和重建整个工作流程 - 建立对设施运作方式的理解。在本文中，我们研究了远程攻击者是否可以准确地指纹机器人运动并最终重建操作工作流程。使用神经网络方法进行交通分析，我们发现可以预测精度约为60％的TLS加密运动，在现实的网络条件下提高到近乎完美的精度。此外，我们还发现攻击者可以以类似的成功重建仓库工作流。最终，简单地采用最佳网络安全实践显然不足以阻止（被动）对手。
translated by 谷歌翻译
深度学习推荐模型（DLRM）是广泛的，占据了相当多的数据中心足迹，并每年增长超过1.5倍。使用模型尺寸很快在Tberytes范围内，利用存储类（SCM）的推理，可以降低功耗和成本。本文评估将内存层级扩展到DLRM的主要挑战，并提出了通过软件定义内存提高性能的不同技术。我们展示了基础技术，如NAND Flash和3DXP的差异化，并涉及现实世界场景，从而可以节省5％至29％。
translated by 谷歌翻译