大多数机器学习方法都用作建模的黑匣子。我们可能会尝试从基于物理学的训练方法中提取一些知识，例如神经颂（普通微分方程）。神经ODE具有可能具有更高类的代表功能的优势，与黑盒机器学习模型相比，扩展的可解释性，描述趋势和局部行为的能力。这种优势对于具有复杂趋势的时间序列尤其重要。但是，已知的缺点是与自回归模型和长期术语内存（LSTM）网络相比，广泛用于数据驱动的时间序列建模的高训练时间。因此，我们应该能够平衡可解释性和训练时间，以在实践中应用神经颂歌。该论文表明，现代神经颂歌不能简化为时间序列建模应用程序的模型。将神经ODE的复杂性与传统的时间序列建模工具进行比较。唯一可以提取的解释是操作员的特征空间，这对于大型系统来说是一个不适的问题。可以使用不同的经典分析方法提取光谱，这些方法没有延长时间的缺点。因此，我们将神经ODE缩小为更简单的线性形式，并使用合并的神经网络和ODE系统方法对时间序列建模进行了新的视图。
translated by 谷歌翻译
表面分级是在施工现场管道中的一项重要任务，这是平衡含有预倾角沙桩的不平衡区域的过程。这种劳动密集型过程通常是由任何建筑工地的关键机械工具推土机进行的。当前的自动化表面分级的尝试实现了完美的定位。但是，在实际情况下，由于代理人的感知不完善，因此该假设失败了，从而导致性能降解。在这项工作中，我们解决了不确定性下自动分级的问题。首先，我们实施模拟和缩放现实世界原型环境，以在此环境中快速策略探索和评估。其次，我们将问题形式化为部分可观察到的马尔可夫决策过程，并培训能够处理此类不确定性的代理商。我们通过严格的实验表明，经过完美本地化训练的代理人在出现本地化不确定性时会遭受降低的性能。但是，使用我们的方法培训的代理商将制定更强大的政策来解决此类错误，从而表现出更好的评分性能。
translated by 谷歌翻译
混乱场景中的物体操纵是机器人技术中的一个困难和重要问题。为了有效地操纵物体，重要的是要了解它们的周围环境，尤其是在将一个物体堆叠在另一个物体的情况下，以防止有效抓握。我们在这里提出Duqim-Net，这是一种在堆叠对象的设置中进行对象操作的决策方法。在DUQIM-NET中，使用Adj-Net评估层次堆叠关系，该模型通过添加邻接头来利用现有的变压器编码器编码器对象检测器。该头部的输出概率地渗透了场景中对象的基础层次结构。我们利用DUQIM-NET中的邻接矩阵的属性来执行决策并协助对象抓任务。我们的实验结果表明，ADJ-NET超过了视觉操作关系数据集（VMRD）的对象关系推断的最新技术，并且DUQIM-NET在bin清除任务中的表现优于可比的方法。
translated by 谷歌翻译
心率变异性（HRV）指数描述了心电图（ECG）中脱节间隔的特性。通常，HRV仅在不包括任何形式的阵发性节奏（NSR）的正常节奏（NSR）中测量。心房颤动（AF）是人口中最广泛的心律不齐。通常，这种异常节奏不会被分析，也没有被认为是混乱且不可预测的。但是，患有AF的患者的HRV指数范围有所不同，但影响了它们的生理特征却差不多。在这项研究中，我们提出了一个统计模型，该模型描述了NSR和AF中HRV指数之间的关系。该模型基于Mahalanobis距离，K-Neartible邻居方法和多元正态分布框架。使用从长期的Holter ECG中提取的NSR和AF的10分钟间隔进行了该方法的验证。为了进行验证，我们在K折过程中使用了Bhattacharyya距离和Kolmogorov-Smirnov 2样品测试。该模型能够以高精度预测至少7个HRV指数。
translated by 谷歌翻译
在这项工作中，我们旨在解决自动分级问题，在这种情况下，必须将推土机弄平不平衡的区域。此外，我们探索了弥合模拟环境和实际场景之间差距的方法。我们设计了一个现实的物理模拟，也是模仿真实推土机动力学和感官信息的缩放的真实原型环境。我们建立了启发式方法和学习策略，以解决问题。通过广泛的实验，我们表明，尽管启发式方法能够在清洁且无噪音的模拟环境中解决该问题，但在面对现实世界情景时，它们在灾难性的环境中失败。由于启发式方法能够在模拟环境中成功解决任务，因此我们表明它们可以被利用来指导学习代理，该学习代理可以在模拟和缩放原型环境中概括和解决任务。
translated by 谷歌翻译
在这项工作中，我们建立了对砂桩镶嵌的不均匀区域的解说中的自治控制的启发式和学习策略。我们将问题正式化为马尔可夫决策过程，设计了一个演示了代理环境交互的模拟，最后将我们的模拟器与真正的Dozer原型进行了比较。我们使用钢筋学习，行为克隆和对比学习的方法来培训混合政策。我们的培训代理AGPNET达到人力级性能，优于自主分级任务的当前最先进的机器学习方法。此外，我们的代理能够从随机情景中推广到看不见的世界问题。
translated by 谷歌翻译