在非结构化环境中工作的机器人必须能够感知和解释其周围环境。机器人技术领域基于深度学习模型的主要障碍之一是缺乏针对不同工业应用的特定领域标记数据。在本文中，我们提出了一种基于域随机化的SIM2REAL传输学习方法，用于对象检测，可以自动生成任意大小和对象类型的标记的合成数据集。随后，对最先进的卷积神经网络Yolov4进行了训练，以检测不同类型的工业对象。通过提出的域随机化方法，我们可以在零射击和单次转移的情况下分别缩小现实差距，分别达到86.32％和97.38％的MAP50分数，其中包含190个真实图像。在GEFORCE RTX 2080 TI GPU上，数据生成过程的每图像少于0.5 s，培训持续约12H，这使其方便地用于工业使用。我们的解决方案符合工业需求，因为它可以通过仅使用1个真实图像进行培训来可靠地区分相似的对象类别。据我们所知，这是迄今为止满足这些约束的唯一工作。
translated by 谷歌翻译
当考虑$ N $标记的机器人的运动计划时，我们需要通过一系列平行，连续的，无碰撞的机器人运动来重新布置给定的启动配置为所需的目标配置。目的是在最短的时间内达到新配置；一个重要的约束是始终保持群体连接。以前已经考虑过这种类型的问题，最近值得注意的结果可实现不一定连接的重新配置：如果将起始配置映射到目标配置，则需要最大的曼哈顿距离$ D $，则总体时间表的总持续时间可以是限制为$ \ Mathcal {O}（d）$，这是最佳选择的恒定因素。但是，只有在允许断开连接的重新配置或用于缩放的配置（通过将给定对象的所有维度通过相同的乘法因子增加到相同的乘法因子增加）时，才能实现恒定拉伸。我们通过（1）建立$ \ omega（\ sqrt {n}）$的下限来解决这些主要的开放问题可以实现重新配置。此外，我们表明（3）决定是否可以实现2个制造物，而可以检查多项式时间是否可以实现1个制造pan。
translated by 谷歌翻译
到2021年底，全球电力容量的可再生能源份额达到38.3％，新设施以风能和太阳能为主，分别显示全球增长12.7％和18.5％。但是，风能和光伏能源都是高度挥发性的，使得对网格操作员的计划很难，因此对相应天气变量的准确预测对于可靠的电力预测至关重要。天气预测中最先进的方法是合奏方法，它为概率预测打开了大门。尽管合奏预测通常不足，并且会遭受系统的偏见。因此，它们需要某种形式的统计后处理，其中参数模型提供了手头天气变量的完整预测分布。我们提出了一种基于两步机的一般学习方法，用于校准集合天气预报，在第一步中，生成了改进点的预测，然后将其与各种合奏统计数据一起作为神经网络的输入特征，估计估计的参数。预测分布。在两个案例研究中，基于100m风速和全球水平辐照度预测匈牙利气象服务的操作集合词典系统，将这种新颖方法的预测性能与原始合奏的预测技能进行了比较ART参数方法。两种案例研究都证实，至少高达48H统计后处理可实质上改善了所有被考虑的预测范围的原始合奏的预测性能。所提出的两步方法的研究变体在其竞争对手方面优于技能，建议的新方法非常适用于不同的天气数量和广泛的预测分布。
translated by 谷歌翻译