由于它们的蔓延越来越多，对神经网络预测的信心变得越来越重要。然而，基本的神经网络不会透露确定性估计或遭受超过或置信度。许多研究人员一直在努力了解和量化神经网络预测中的不确定性。结果，已经提出了已经确定了不同类型和不确定性的来源，并且已经提出了一种测量和量化神经网络中不确定性的各种方法。这项工作概述了神经网络中的不确定性估计，评论最近领域的进步，突出了当前的挑战，并确定了潜在的研究机会。它旨在向任何兴趣在神经网络中的不确定性估计感兴趣的概述和介绍，而无需预先展现在该领域的先验知识。给出了对最关键的不确定性来源的全面介绍，并分离到可还原的模型不确定性，并提出了未降低的数据不确定性。基于确定性神经网络，贝叶斯神经网络，神经网络集合的这些不确定性和测试时间数据增强方法的建模以及这些领域的不同分支以及讨论了最新的发展。对于实际应用，我们讨论了不同的不确定性措施，校准神经网络的方法，并概述现有基线和实施。来自不同领域的广泛挑战的不同示例概念了关于实际应用中不确定性的需求和挑战。此外，讨论了当前特派团和安全关键现实世界应用程序的实际限制，并讨论了对更广泛使用此类方法的下一个步骤的展望。
translated by 谷歌翻译
本文提出了一种以非零速度的效果友好型捕捉对象的混合优化和学习方法。通过受约束的二次编程问题，该方法生成最佳轨迹，直至机器人和对象之间的接触点，以最小化其相对速度并减少初始影响力。接下来，生成的轨迹是由基于人类的捕捉演示的旋风动作原始词更新的，以确保围绕接口点的平稳过渡。此外，学习的人类可变刚度（HVS）被发送到机器人的笛卡尔阻抗控制器，以吸收后影响力并稳定捕获位置。进行了三个实验，以将我们的方法与固定位置阻抗控制器（FP-IC）进行比较。结果表明，所提出的方法的表现优于FP-IC，同时添加HVS可以更好地吸收影响后力。
translated by 谷歌翻译
认识人类所采取的行动以及对他们的意图的预期是重要的推动力，可以在人类机器人团队中产生社交和成功的合作。同时，机器人应具有由协作任务或人类引起的多种目标和约束的能力。在这方面，我们提出了视力技术来执行人类的行动识别和图像分类，这些技术被整合到增强的层次二次编程（AHQP）方案中，以层次优化机器人的反应性行为和人类的人体工程学。所提出的框架允许执行任务时，可以直观地在空间中命令机器人。该实验证实了人体工程学和可用性的增加，这是减少肌肉骨骼疾病并增加自动化信任的基本参数。
translated by 谷歌翻译