Autonomous navigation for large Unmanned Aerial Vehicles (UAVs) is fairlystraight-forward, as expensive sensors and monitoring devices can be employed.In contrast, obstacle avoidance remains a challenging task for Micro AerialVehicles (MAVs) which operate at low altitude in cluttered environments. Unlikelarge vehicles, MAVs can only carry very light sensors, such as cameras, makingautonomous navigation through obstacles much more challenging. In this paper,we describe a system that navigates a small quadrotor helicopter autonomouslyat low altitude through natural forest environments. Using only a single cheapcamera to perceive the environment, we are able to maintain a constant velocityof up to 1.5m/s. Given a small set of human pilot demonstrations, we use recentstate-of-the-art imitation learning techniques to train a controller that canavoid trees by adapting the MAVs heading. We demonstrate the performance of oursystem in a more controlled environment indoors, and in real natural forestenvironments outdoors.
translated by 谷歌翻译
虽然指数乘积(POE)公式在串行连杆机器人的运动学建模中越来越受欢迎,但由于其对机器人的直观和简洁的几何解释,因此仍然是最广泛使用的Denavit-Hartenberg(D-H)符号。本文开发了一种解决方案,将POE模型自动转换为具有旋转,棱柱和螺旋关节的机器人的D-H模型,这是一套完整的三基本一自由度下对关节,用于构造一个串联机器人。所开发的转换算法可用于诸如校准的应用中,其中需要将D-H模型转换为用于识别的POE模型,然后返回到D-H模型以进行补偿。本文证明的两种模型的等价性也有利于对运动学参数可识别性的分析。发现一般POE模型中可识别参数的最大数量是5h + 4r + 2t + n + 6其中h,r,t和n分别代表螺旋,旋转,棱柱和一般关节的数量。还建议D-H模型中基础框架和工具框架的可识别性受到限制,而不是先前假设的任意六个参数。
translated by 谷歌翻译
我们在Clifford电路之间提出了一个方程组,它们都可以在ZX演算中导出,并在Quantomatic proofassistant中形式化为重写规则。通过将这些规则与Quantomatic战术语言中定义的一些非平凡的简化过程相结合,我们演示了使用Quantomatic作为电路优化工具。我们证明该系统总是将一个或两个量子比特的Clifford电路减小到它们的最小形式,并且给出了数值结果,证明了它在更大的Clifford电路上的性能。
translated by 谷歌翻译
转型人工智能技术有可能在不久的将来重塑社会的关键方面。但是,为了适当地为这些技术的到来准备政策,需要准确的预测和时间表。在2018年夏季(ICML,IJCAI和HLAI会议)对三个AI会议的与会者进行了一项调查。该调查包括在下一个十年评估AI能力的问题,预测变革AI的五个场景的问题以及关于计算影响的问题。人工智能研究中的资源。受访者表示,人工任务的中位数为21.5%(即人工目前支付的所有任务)现在可以实现自动化,并且这个数字将在5年内上升到40%,在10年内上升到60% 。中位数预测表明,人工智能系统有50%的概率能够在25年内实现90%的当前人工任务自动化,并在50年内实现99%的当前人工任务。发现出席会议对所有预测产生了统计上的显着影响,HLAI的与会者提供了更加乐观的时间表,而且不确定性较低。这些研究结果表明,人工智能专家预计人工智能技术的重大发展将在未来十年内持续到可能对社会产生深远变革影响的程度。
translated by 谷歌翻译
卷积神经网络(CNN)广泛用于解决计算机视觉中的分类任务。然而,它们可能会被误导为错误分类,特别是精心设计的“对抗性”样本 - 以及为了使一个模型工作而构建的样本与在同一任务中训练的其他模型相比非常好。在本文中,我们介绍了Sitatapatra,一种旨在阻止对抗样品转移的系统。它使用密钥使神经网络多样化,作为密码学,并提供检测攻击的机制。更重要的是,当检测到对抗样本时,它们通常可以追溯到用于开发它们的个体设备。运行时间开销最小,允许在受约束的系统上使用Sitatapatra。
translated by 谷歌翻译
智能手机上的普遍用户认证方案依赖于明确的用户交互,其中用户键入密码或呈现生物特征提示,例如面部,指纹或虹膜。除了对用户来说麻烦且突兀之外,这种认证机制还引起安全和隐私问题。无源认证系统可以通过频繁地且不引人注意地监视用户与设备的交互来解决这些挑战。在本文中,我们提出了一种用于被动身份验证的连体长短期内存网络架构,可以在不需要任何明确认证步骤的情况下验证用户。我们获得了一个数据集,包括来自37个用户的30个智能手机传感器模式的测量值。我们评估我们对8种主要模式的方法,即击键动力学,GPS定位,加速度计,陀螺仪,磁力计,线性加速度计,重力和旋转传感器。实验结果发现,在3秒内,真正的用户可以正确地验证97.15%的时间错误接受率为0.1%。
translated by 谷歌翻译
脓毒症是ICU死亡的主要原因。管理具有挑战性,因为个体患者对治疗的反应不同。因此,为个体患者定制治疗对于最佳结果至关重要。在本文中,我们通过应用专家专家框架来个性化败血症治疗,从而实现这一目标。混合模型根据患者的当前历史选择性地在基于邻居(核心)和深度加强学习(DRL)专家之间交替。在一个大型回顾性队列中,这种基于混合物的方法优于医生,核心和仅限DRL的专家。
translated by 谷歌翻译
最近引入的全景分割任务更新了我们社区对统一实例分割(用于事物类)和语义分割(用于东西类)的任务的兴趣。但是,此联合任务的当前最先进的方法使用单独的和不相似的网络,例如语义分段,而不执行任何共享计算。在这项工作中,我们的目标是在架构级别统一这些方法,为两个任务设计单个网络。我们的方法是使用共享的特征金字塔网络(FPN)骨干赋予MaskR-CNN(一种流行的实例分割方法)和语义分割分支。令人惊讶的是,这个简单的基线不仅对细分分割仍然有效,而且还产生了一种轻量级,表现最佳的语义分割方法。在这项工作中,我们对FPN的这个最小扩展版本的Mask R-CNN进行了详细的研究,我们将其称为Panoptic FPN,并证明它是两个任务的强大而准确的基线。鉴于其有效性和概念上的简单性,我们希望我们的方法可以作为一个强大的基线,并有助于未来的全景分割研究。
translated by 谷歌翻译
视觉系统被分层组织以在连续阶段处理视觉信息。在视觉处理的第一阶段,神经表征变化很大:在视网膜的输出处,神经节细胞接触区域(RF)表现出明显的对抗中心 - 环绕结构,而在初级视觉皮层中,典型的RF被急剧调整到精确定向。目前还没有统一的理论来解释跨层表示中的差异。在这里,使用深度卷积神经网络训练图像识别作为视觉系统的模型,weshow这种表示的差异可以作为视网膜和皮质网络的不同神经资源约束的直接结果出现,我们找到一个单一的模型,从中两种几何形状在视觉处理的适当阶段自发地出现。关键的限制因素是视网膜输出神经元的数量减少,这与作为严格瓶颈的视神经的解剖结构一致。其次,我们发现,对于简单的皮质网络,视网膜输出的视觉表现形成非线性和有损特征检测器,而它们作为更复杂皮质的视觉场景的线性和忠实编码器出现。这一结果预示着小型脊椎动物的视网膜应该进行复杂的非线性计算,提取与行为直接相关的特征,而大型动物如灵长类动物的视网膜应该主要对视觉场景进行线性编码并响应更广泛的刺激范围。这些预测可以通过建议所有脊椎动物位于这两个目标之间的光谱上,根据分配给其视觉系统的神经资源的程度来协调视网膜的两个看似不相容的视图,或者执行特征提取或自然场景的有效编码。
translated by 谷歌翻译
对机器人进行编程以处理开放式任务仍然是一个挑战,特别是如果机器人必须操纵对象。可以模拟发射,抓取,推动任何其他物体相互作用,但相应的模型不可逆,因此不能直接推导出机器人的行为。由于搜索空间大,奖励稀疏,这些行为难以学习。我们提出了一种在模拟中自主生成简单对象交互行为的通用集合的方法。我们的目标是引导机器人学习和开发过程,其中包含有关机器人必须实现的内容和方式的有限信息。由于提出的适应方法,该库可以被利用来解决现实中的不同任务,或者可以用作数据饥饿算法的训练集。所提出的方法依赖于目标空间的定义并生成轨迹的曲目以达到可实现的目标,从而允许机器人控制该目标空间。由于采用了质量多样性算法,所有曲目都采用了现成模拟。结果是仅在模拟中测试的一组解决方案。它可能导致两个不同的问题:(1)由于曲目是离散的和有限的,它可能不包含处理给定情况的轨迹或(2)某些轨迹可能导致现实中的行为因模拟而不同于现实间隙。我们提出了一种方法,通过使用运动参数和观察到的效果之间的局部线性化来处理这两个问题。此外,我们提出了一种方法,通过在realrobot上完成的测试来更新现有的解决方案库。该方法已在巴克斯特机器人的两个不同实验中得到验证:球发射和操纵杆操纵任务。
translated by 谷歌翻译