在Twitter数据中表达的情绪的自动识别具有广泛的应用。我们通过将中性类添加到一个由四种情绪组成的基准数据集中添加中性类来创建一个均衡的数据集：恐惧，悲伤，喜悦和愤怒。在此扩展数据集上，我们研究了来自变压器（BERT）的支持向量机（SVM）和双向编码器表示情感识别的使用。我们通过组合两个BERT和SVM模型来提出一种新颖的合奏模型。实验表明，所提出的模型在推文中的情绪识别方面达到了0.91的最新精度。
translated by 谷歌翻译
我们提出了四足球运动的多功能非线性模型预测控制（NMPC）公式。我们的公式根据简化的动力学模型共同优化了基本轨迹和一组立足点。我们利用二阶灵敏度分析和稀疏的高斯 - 纽顿（SGN）方法来解决所得的最佳控制问题。我们进一步描述了通过模拟和硬件实验验证我们的方法的持续努力。最后，我们将运动框架扩展到处理构成差距交叉，踏入石头的运动和多机器人控制的具有挑战性的任务。
translated by 谷歌翻译
近年来，轨迹优化方法已在现实世界机器人上达到了出色的性能水平。这些方法在很大程度上依赖于动力学的准确分析模型，但是物理世界的某些方面只能在有限的程度上捕获。另一种方法是利用机器学习技术从数据中学习系统的可区分动力学模型。在这项工作中，我们使用轨迹优化和模型学习，在没有精确的动力学分析模型的情况下，使用机器人系统执行高度动态和复杂的任务。我们表明，从仅在两个不同的机器人上的25分钟相互作用的数据中收集的数据，神经网络可以准确地对高度非线性行为进行建模：（i）波士顿动力学点和（ii）RC CAR。此外，我们使用神经网络的梯度来执行基于梯度的轨迹优化。在我们的硬件实验中，我们证明了我们所学的模型可以代表现场和无线电控制（RC）汽车的复杂动力学，并与轨迹优化方法结合使用良好的性能。
translated by 谷歌翻译
隐式神经表示的最新进展在为偏微分方程产生数值解之时表现出很大的希望。与传统替代方案相比，这种表示采用参数化神经网络以以网眼的方式定义高度详细，连续和完全可差的信号。在这项工作中，我们提出了一种用于拓扑优化的新型机器学习方法 - 高维参数空间和高度非线性物镜景观的重要阶类逆问题。为了在无网状拓扑优化的背景下有效利用神经表示，我们使用多层的感知来参数化两个密度和位移场。我们的实验表明，我们的方法对于最大限度地减少结构依从性目标，我们的方法具有竞争力，并且它使得能够自我监督的拓扑优化问题的持续解决方案空间学习。
translated by 谷歌翻译
Teideration为人类运营商提供了一种方法，以引导机器人在完全自治挑战或需要直接人类干预的情况下引导机器人。它也可以是教授机器人的重要工具，以便稍后实现自主行为。协同机器人武器和虚拟现实（VR）设备的可用性增加了充足的机会，用于开发新颖的无电术方法。由于机器人武器通常与人的武器相比，因此实时地将人类动作映射到机器人并不琐碎。此外，人类操作员可以将机器人手臂转向奇点或其工作空间限制，这可能导致不希望的行为。这进一步强调了多个机器人的编排。在本文中，我们提出了一个针对多臂有效载荷操作的VR接口，其可以与实时输入运动密切匹配。允许用户操纵有效载荷，而不是将它们的动作映射到各个武器，我们能够同时引导多个协作臂。通过释放单一的自由度，并通过使用本地优化方法，我们可以提高每个ARM的可操纵性指数，这反过来让我们避免运动奇点和工作空间限制。我们将我们的方法应用于预定义的轨迹以及不同机器人臂上的实时遥通，并在终端效应器位置误差和相关联合运动指标方面进行比较。
translated by 谷歌翻译