While natural systems often present collective intelligence that allows them to self-organize and adapt to changes, the equivalent is missing in most artificial systems. We explore the possibility of such a system in the context of cooperative object manipulation using mobile robots. Although conventional works demonstrate potential solutions for the problem in restricted settings, they have computational and learning difficulties. More importantly, these systems do not possess the ability to adapt when facing environmental changes. In this work, we show that by distilling a planner derived from a gradient-based soft-body physics simulator into an attention-based neural network, our multi-robot manipulation system can achieve better performance than baselines. In addition, our system also generalizes to unseen configurations during training and is able to adapt toward task completions when external turbulence and environmental changes are applied.
translated by 谷歌翻译
使用移动操纵器来整理家庭环境，在机器人技术中提出了各种挑战，例如适应大型现实世界的环境变化，以及在人类面前的安全和强大的部署。2021年9月举行的全球竞赛，对真正的家庭环境中的整理任务进行了基准测试，重要的是，对全面的系统性能进行了测试。对于此挑战，我们开发了整个家庭服务机器人系统，该机器人系统利用数据驱动的方法来适应众多的方法在执行过程中发生的边缘案例，而不是经典的手动预编程解决方案。在本文中，我们描述了提出的机器人系统的核心成分，包括视觉识别，对象操纵和运动计划。我们的机器人系统赢得了二等奖，验证了数据驱动的机器人系统在家庭环境中移动操作的有效性和潜力。
translated by 谷歌翻译
深度学习技术已成功用于时间序列预测，并且与传统技术相比，在许多标准基准数据集中经常显示出卓越的性能。在这里，我们对金融市场价格预测价格的深度学习技术进行了全面的和比较研究。我们基准于最先进的深度学习基线，例如Nbeats等，从货币以及股票市场进行数据。我们还使用由技术规则驱动的基于模糊逻辑的需求模型来生成合成数据，例如移动平均值，这些规则通常由交易者使用。我们将基线技术基准测试在此合成数据上以及使用它以进行数据增强。我们还将梯度的元学习应用于金融时序系列的非公平性。尽管我们的广泛实验令人惊讶的结果是，即使使用数据增强或元学习，标准的Arima Models也优于深度学习。我们通过猜测为什么这可能是这种情况来结束。
translated by 谷歌翻译