社会导航是自治人（例如机器人）在其他智能代理（如人类）的面前以“社会符合社会规定”方式导航的能力。随着在人口稠密环境中自动浏览移动机器人的出现（例如，家庭和餐馆中的家庭服务机器人以及公共人行道上的食品送货机器人），在这些机器人上纳入社会符合社会符合社会符合社会的导航行为对于确保安全和舒适的人类机器人的同存至关重要。为了应对这一挑战，模仿学习是一个有前途的框架，因为人类更容易演示社会导航的任务，而不是制定奖励功能，以准确捕获社会导航的复杂多目标设置。然而，当前缺乏大规模数据集以捕获野外捕获社会符合社会符合社会的机器人导航示范的大规模数据集，目前阻碍了模仿学习和逆强化学习到移动机器人的社会导航。为了填补这一空白，我们向社会兼容的导航数据集（Scand）引入了一个大规模的，第一人称视图数据集的社会兼容导航演示数据集。我们的数据集包含8.7个小时，138个轨迹，25英里的社会符合人类的远程手工驾驶演示，包括多态数据流，包括3D激光雷达，操纵杆命令，探测仪，视觉和惯性信息，在两个形态上不同的移动机器人上收集了波士顿动力学的两种形态上的移动机器人以及在室内和室外环境中的四个不同人类示威者的清晰jack狼。我们还通过现实世界机器人实验进行初步分析和验证，并表明通过模仿学习扫描的导航政策会产生社会符合社会的行为
translated by 谷歌翻译
随着机器人越来越多地进入以人为本的环境，他们不仅必须能够在人类周围安全地浏览，还必须遵守复杂的社会规范。人类通常在围绕他人围绕他人（尤其是在密集占据的空间中）时，通常通过手势和面部表情依靠非语言交流。因此，机器人还需要能够将手势解释为解决社会导航任务的一部分。为此，我们提出了一种新型的社会导航方法，将基于图像的模仿学习与模型预测性控制结合在一起。手势是基于在图像流中运行的神经网络来解释的，而我们使用最先进的模型预测控制算法来求解点对点导航任务。我们将方法部署在真实的机器人上，并展示我们的方法对四个手势游动场景的有效性：左/右，跟随我，然后圈出一个圆圈。我们的实验表明，我们的方法能够成功地解释复杂的人类手势，并将其用作信号，以生成具有社会符合性的导航任务的轨迹。我们基于与机器人相互作用的参与者的原位等级验证了我们的方法。
translated by 谷歌翻译
频率调制连续波（FMCW）LIDAR是一种最近新兴的技术，可通过多普勒效应效率进行每次返回的瞬时相对径向速度测量。在这封信中，我们使用这些多普勒速度测量值从FMCW激光雷达（FMCW Lidar）介绍了第一个连续的一次性绕线算法算法，以帮助几何变性环境中的探测率。我们应用现有的连续时间框架，该框架使用高斯工艺回归有效地估算车辆轨迹，以补偿由于任何机械驱动的激光雷达（FMCW和非FMCW）的扫描性质而引起的运动失真。我们在几个现实世界数据集上评估了我们提出的算法，包括我们收集的公开可用数据集和数据集。我们的算法优于也使用多普勒速度测量值的唯一现有方法，我们研究了包括此额外信息在内的困难条件，可大大提高性能。我们还证明了在标称条件下使用多普勒速度测量值的情况下，仅在有和不使用多普勒速度测量的情况下，仅激光射击的前进量的最新性能。该项目的代码可以在以下网址找到：https：//github.com/utiasasrl/steam_icp。
translated by 谷歌翻译
目前最先进（SOTA）命名实体识别（NER）系统的显着缺点是它们对未经概念域的概念缺乏，这造成了一个主要问题，因为在新域中获得了NER的标记数据是昂贵的并且耗时。我们提出零，通过在语义词嵌入形式的形式中纳入预先存在的知识来拓展，以在NER中执行零射击和几秒钟学习的模型。归零首先使用模型Luke获取输入句子的上下文化字表示，减少了它们的维度，并将它们直接与外部知识的嵌入式进行比较，允许训练零以识别未经识别的输出实体。我们发现零在看不见的NER域中表现出良好，平均宏F1得分为0.23，距离诸如域名比较上的竞争得分甚至实现了竞争分数。源极域对的性能显示与对kl发散相反的关系。
translated by 谷歌翻译
We show that reverse mode automatic differentiation and symbolic differentiation are equivalent in the sense that they both perform the same operations when computing derivatives. This is in stark contrast to the common claim that they are substantially different. The difference is often illustrated by claiming that symbolic differentiation suffers from "expression swell" whereas automatic differentiation does not. Here, we show that this statement is not true. "Expression swell" refers to the phenomenon of a much larger representation of the derivative as opposed to the representation of the original function.
translated by 谷歌翻译