搜索
大数据中国 首页 热点综合 人工智能 查看内容
机器人行业进入下沉阶段,谷歌发布低成本机器人学习平台
2019-10-15 21:40 | 查看: 1522| 评论: 0



低成本机器人学习的基准


随着机器人行业的不断发展,对于研究人员而言,不断努力实现低成本机器人开发和解决方案至关重要。目前有很多相关研究正在进行中,例如最近的MuSHR赛车项目。


相关链接:

https://medium.com/ai%C2%B3-theory-practice-business/a-low-cost-open-source-robotic-racecar-for-education-and-research-91a896557f25


关于机器人技术的研究仍然非常活跃,为了在现实世界中进行强化学习,研究人员已经发布了一个低成本的机器人开源平台。



为了加速不同领域的强化学习研究,这个新的机器人平台引入了两个机器人。其中一个机器人 D’Claw是三指机器人,该设计有助于机器人学习如何灵巧地处理任务;另一个机器人D’Kitty是四足机器人,其设计便于学习敏捷的腿部运动任务。


目前的机器人领域已有很多振奋人心的进步和预测,但未来将有更多令人叹为观止的发展,其中之一就是低成本的训练和测试环境。


ROBEL平台就是致力于上述这一点。在巨大的成本优势下,它特别的模块化使其非常适合可扩展实验。ROBEL平台不仅提供了便宜的解决方案,还易于维护,为从头开始的硬件增强学习保驾护航。


代码,文件和结果:

https://sites.google.com/view/roboticsbenchmarks/


阅读全文:

https://ai.googleblog.com/2019/10/robel-robotics-benchmarks-for-learning.html


YOLO Nano:对象检测的新地标


随着人们对设计和开发更好的物体检测(尤其是移动技术)的兴趣日益浓厚,研究人员推出了YOLO Nano,这是一种高度紧凑的用于物体检测的深度卷积神经网络。



为实现这一目标,研究人员采用了一个人机协作的设计策略,该策略包括了基于规则的网络设计原型阶段和机器驱动的设计探索阶段。YOLO Nano具有约4.0MB的模型大小,需要4.57B的推理运算操作,在VOC2007数据集上达到约69.1%的mAP。


研究人员在 PASCAL VOC 数据集上测试了YOLO Nano的模型大小、物体检测精度和计算成本,结果显示,YOLO Nano 在嵌入式物体检测中实现了强大的推理速度和电源效率。


视频监控,IoT,无人驾驶飞机,自动驾驶等应用需要本地嵌入式处理系统,YOLO Nano为此迈出了重要的一步。


相关链接:

https://arxiv.org/abs/1910.01271v1


TorchBeast发布,懂Python就能做强化学习


这篇文章中,Facebook AI,牛津大学,帝国理工学院和伦敦大学学院的研究人员描述了TorchBeast的设计原理和实现。TorchBeast是用于强化学习研究的平台,它实现了流行的IMPALA代理,并且具有MonoBeast和PolyBeast两个变体。


除了Python和PyTorch之外,MonoBeast不需要其他主要依赖项。PolyBeast则可以实现一些高级特性,它允许跨机器训练,也因此更难安装。MonoBeast变体的主要目的是使PolyBeast的入门变得容易。


研究人员坚信,TorchBeast让我们离强化学习研究无需静态框架或复杂库的目标又近了一步。


通过用简单易读的PyTorch来实现IMPALA,TorchBeast可以促进公平的竞争环境,帮助使用者从零开始建立易于使用的,可规模化且快速的设计。两种版本都使用多进程来解决Python多线程的技术限制,最重要的是,它们使研究人员无需Python和PyTorch之外的任何编程知识,也能够进行可扩展的强化学习研究。


TorchBeast是根据Apache 2.0许可以开源软件包的形式发布的:

https://github.com/facebookresearch/torchbeast


阅读原文:

https://arxiv.org/abs/1910.03552v1


使用抽象渲染比较优化6D对象姿态预测


最近一项研究将渲染和比较框架应用在了单目6D姿态估计上,特别地,在初始姿态猜测可用的情况下,这一框架可以用于姿态优化。


在他们提出的对于二次渲染效果保持不变的抽象描述空间中,通过最小化渲染图像和观测图像之间的像素级差异,可以从最新的姿势估计方法中提升对6D姿势的预测。



进一步地,他们像许多工业和机器人应用一样假设了对象网格的可用性。这一方法已经在YCB-Video数据集上进行了评估,并表现出了很好的效果,同时也显示出对正确的物体姿态估计有很大的潜力。


该方法在YCB-Video数据集上取得的良好效果,证明了该方法能够在场景分析的背景下,对差分渲染的初始姿态估计进行稳健的细化。该方法也可与其他迭代求精过程相结合,从而有助于其对整体场景的理解。


研究人员表示,未来将会有许多在人类环境中工作的服务机器人,它们将使用为人类而设计的工具和工业零件进行活动,这样的机器人能够从精确的6D姿态估计中受益匪浅。


研究人员还计划进一步提高其性能,并在未来研究其他应用,包括类级模型的非刚性注册等。


原文:

Refining 6D Object Pose Predictions


人体姿势估计的可学习三角测量


三星人工智能中心和莫斯科斯科尔科沃科技研究所的研究人员提出了两种基于可学习三角剖分的多视点三维人体姿态估计新方法。第一个解决方案结合了基本的微分代数三角剖分,和从输入图像估计的置信权。第二种方法则是基于二维骨架特征映射的人体数据聚合方法。此后,三维卷积通过生成最终三维关节的热力图对聚集体积进行细化,并允许预先对人体姿势进行建模。



免责声明: 除非特别声明,文章均为投稿或网络转载,仅代表作者观点,与大数据中国网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。如果本文内容有侵犯你的权益,请发送信息至ab12-120@163.com,我们会及时删除

最新评论

关闭

站长推荐上一条 /1 下一条

 
 
大数据行业交流
大数据行业交流
大数据求职招聘
大数据求职招聘
站长电话:
15010106923
微信联系:
hb-0310
站长邮箱:
ab12-120@163.com
大数据中国微信

QQ   

版权所有: Discuz! © 2001-2013 大数据.

GMT+8, 2024-3-29 21:56 , Processed in 0.060466 second(s), 23 queries .