鸟类等动物通过将腿部和空中迁移率与显性惯性作用相结合，广泛使用多模式运动。这种多模式运动壮举的机器人仿生型可以在协商其任务空间的能力方面产生超虚拟系统。本文的主要目的是讨论实现多模式运动的挑战，并报告我们在开发能够多模式运动（腿部和空中运动）的四足动物机器人方面的进展。我们报告了机器人中使用的机械和电气组件，除了为开发多功能多模式机器人平台实现目标的模拟和实验外。
translated by 谷歌翻译
自动语音识别（ASR）中编辑的后编辑需要自动纠正ASR系统产生的常见和系统错误。 ASR系统的输出在很大程度上容易出现语音和拼写错误。在本文中，我们建议使用强大的预训练的序列模型BART，BART进一步适应训练以作为剥夺模型，以纠正此类类型的错误。自适应培训是在通过合成诱导错误以及通过合并现有ASR系统中的实际错误获得的增强数据集上执行的。我们还提出了一种简单的方法，可以使用单词级别对齐来恢复输出。对重音语音数据的实验结果表明，我们的策略有效地纠正了大量的ASR错误，并在与竞争性基线相比时会产生改善的结果。我们还强调了在印地语语言中相关的语法误差校正任务中获得的负面结果，显示了通过我们建议的模型捕获更广泛上下文的限制。
translated by 谷歌翻译
建立可以在未知域中处理未知变量的通用人工智能系统，我们需要基准测试这些系统在从未见过的任务上的执行程度。这是一个先决条件是一项衡量任务泛化困难的衡量标准，或者它来自系统的先验知识和经验是多么异议。如果在特定域中的智能系统的技能被定义为能够始终生成一组指令（或程序）来解决该域中的任务，则当前的基准未定量测量获取新技能的效率，使其成为可能通过利用无限量的数据和计算能力训练来训练技能。考虑到这一点，我们首先提出了一种常识的教学语言，一种编程语言，允许以各种现实世界域和计算平台的指导的无循环图表表达程序。使用以这种语言生成的程序，我们演示了一种基于匹配的方法，可以进行评分性能，并计算任何给定的任务集的泛化难度。我们使用这些来定义一个名为泛化索引或G-索引的数字基准，以测量和比较任何智能系统的一组真实任务的技能 - 获取效率。最后，我们通过计算G-Index分数来评估一些着名模型作为一般情报系统的适用性。
translated by 谷歌翻译