卷积神经网络在分类方面表现出了显着的结果，但在即时学习新事物方面挣扎。我们提出了一种新颖的彩排方法，其中深度神经网络正在不断学习新的看不见的对象类别，而无需保存任何先前序列的数据。我们的方法称为召回，因为网络通过在培训新类别之前计算旧类别的逻辑来回忆类别。然后在培训期间使用这些，以避免更改旧类别。对于每个新序列，都会添加一个新的头部以适应新类别。为了减轻遗忘，我们提出了一种正规化策略，在该策略中我们用回归替换分类。此外，对于已知类别，我们提出了一个玛哈拉氏症损失，其中包括差异，以说明已知类别和未知类别之间的密度变化。最后，我们提供了一个用于持续学习的新颖数据集，尤其是适用于移动机器人（Hows-CL-25）上的对象识别的数据集，其中包括25个家庭对象类别的150,795个合成图像。我们的方法回忆起优于Core50和ICIFAR-100上的艺术现状，并在HOWS-CL-25上取得了最佳性能。
translated by 谷歌翻译
运动结构在现实世界中非常普遍。它们范围从简单的铰接物对象到复杂的机械系统。但是，尽管它们相关，但大多数基于模型的3D跟踪方法仅考虑刚性对象。为了克服这一限制，我们提出了一个灵活的框架，该框架允许将现有的6DOF算法扩展到运动结构。我们的方法着重于采用类似牛顿的优化技术的方法，这些方法广泛用于对象跟踪中。该框架考虑了树状和封闭的运动学结构，并允许对关节和约束的灵活配置。为了从单个刚体到多体系统的项目方程式，使用了雅各布人。对于封闭的运动链，开发了一种具有Lagrange乘数的新型配方。在详细的数学证明中，我们表明我们的约束配方会导致精确的运动解，并在单个迭代中收敛。基于提出的框架，我们将ICG扩展到了最新的刚性对象跟踪算法，将其扩展到多体跟踪。为了进行评估，我们创建了一个高度现实的合成数据集，该数据集具有大量序列和各种机器人。基于此数据集，我们进行了多种实验，这些实验证明了开发框架和我们的多体跟踪器的出色性能。
translated by 谷歌翻译
我们介绍了DLR行星立体声，固态激光雷达，惯性（S3LI）数据集，记录在埃特纳山上，西西里山（Sicily），一种类似于月球和火星的环境，使用手持式传感器套件，适用于适用于空间上的属性 - 像移动漫游器。环境的特征是关于视觉和结构外观的具有挑战性的条件：严重的视觉混叠，对视觉大满贯系统执行位置识别的能力构成了重大限制，而缺乏出色的结构细节，与有限的视野相连在利用的固态激光雷达传感器中，仅使用点云就挑战了传统的激光雷达大满贯。借助此数据，涵盖了在软火山斜坡上超过4公里的旅行，我们的目标是：1）提供一种工具来揭示有关环境的最先进的大满贯系统的限制，而环境并未广泛存在可用的数据集和2）激励开发新颖的本地化和映射方法，这些方法有效地依赖于两个传感器的互补功能。数据集可在以下URL上访问：https：//rmc.dlr.de/s3li_dataset
translated by 谷歌翻译
尽管从合成训练数据中学习最近引起了人们的关注，但在现实世界的机器人应用中，由于所谓的SIM到现实差距，仍存在性能缺陷。实际上，仅使用合成数据很难解决此差距。因此，我们专注于在SIM到现实学习管道中有效地获取真实数据。具体而言，我们采用深层贝叶斯积极的学习来最大程度地减少手动注释工作，并设计自主学习范式，以选择被认为对人类专家的注释有用的数据。为此，提供可靠的不确定性估计值的贝叶斯神经网络（BNN）对象探测器可用于推断未标记数据的信息。此外，为了应对基于不确定性的抽样中标签分布的错误对准，我们制定了一种有效的随机抽样策略，该策略与其他复杂替代方案相比表现良好。在我们的对象分类和检测的实验中，我们显示了方法的好处，并提供了可以大大减少标签工作的证据。最后，我们在辅助机器人的掌握任务中证明了这一想法的实际有效性。
translated by 谷歌翻译
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
In this paper, we present a novel method for integrating 3D LiDAR depth measurements into the existing ORB-SLAM3 by building upon the RGB-D mode. We propose and compare two methods of depth map generation: conventional computer vision methods, namely an inverse dilation operation, and a supervised deep learning-based approach. We integrate the former directly into the ORB-SLAM3 framework by adding a so-called RGB-L (LiDAR) mode that directly reads LiDAR point clouds. The proposed methods are evaluated on the KITTI Odometry dataset and compared to each other and the standard ORB-SLAM3 stereo method. We demonstrate that, depending on the environment, advantages in trajectory accuracy and robustness can be achieved. Furthermore, we demonstrate that the runtime of the ORB-SLAM3 algorithm can be reduced by more than 40 % compared to the stereo mode. The related code for the ORB-SLAM3 RGB-L mode will be available as open-source software under https://github.com/TUMFTM/ORB SLAM3 RGBL.
translated by 谷歌翻译
Complete depth information and efficient estimators have become vital ingredients in scene understanding for automated driving tasks. A major problem for LiDAR-based depth completion is the inefficient utilization of convolutions due to the lack of coherent information as provided by the sparse nature of uncorrelated LiDAR point clouds, which often leads to complex and resource-demanding networks. The problem is reinforced by the expensive aquisition of depth data for supervised training. In this work, we propose an efficient depth completion model based on a vgg05-like CNN architecture and propose a semi-supervised domain adaptation approach to transfer knowledge from synthetic to real world data to improve data-efficiency and reduce the need for a large database. In order to boost spatial coherence, we guide the learning process using segmentations as additional source of information. The efficiency and accuracy of our approach is evaluated on the KITTI dataset. Our approach improves on previous efficient and low parameter state of the art approaches while having a noticeably lower computational footprint.
translated by 谷歌翻译
为了追求基于本体本体的查询的通用标准，我们介绍了存在规则的“有限 - 局限性集合”（FCS），这是一种模型定义的规则集类别，灵感来自图形理论的cliquewidth措施。通过一个通用参数，我们表明FCS确保对相当一类的查询类（称为“ Damsoqs”）的必要性进行可决定性，这些查询均包含结合性查询（CQS）。 FCS类适当地概括了有限扩展集（FES）的类别，并且最多可以介绍2个Arity的签名，即有界树的类别（BTS）。对于较高的ARIT，BTS仅由FC通过重新化而间接汇总。尽管FCS的普遍性，但我们提供了一个规则集，该规则集具有可决定的CQ符号（由于一阶 - 剥离性），因此落在FC之外，从而证明了FCS的无与伦比和有限合并集（FUS）的无效性。尽管如此，我们还是表明，如果我们将自己限制在最多2的单头规则设置上，那么FCS属于FUS。
translated by 谷歌翻译
如果我们想在将它们部署在现实中之前在模拟中训练机器人，那么假定减少SIM2REAL差距的人似乎很自然，并且几乎是不言而喻的，涉及创建富裕性的模拟器（因为现实就是事实）。我们挑战了这一假设并提出了相反的假设-SIM2REAL转移机器人可以通过较低（不是更高）的保真度模拟来改善。我们使用3种不同的机器人（A1，Aliengo，Spot）对这一假设进行了系统的大规模评估 - 在现实世界中以及2个不同的模拟器（栖息地和Igibson）。我们的结果表明，与期望相反，增加忠诚无助于学习。由于模拟速度缓慢（防止大规模学习）和对模拟物理学不准确的过度拟合，因此性能较差。取而代之的是，使用现实世界数据构建机器人运动的简单模型可以改善学习和概括。
translated by 谷歌翻译
在处理知识时考虑个人，潜在的矛盾观点的重要性已得到广泛认可。许多现有的本体管理方法完全合并了知识的观点，这可能需要削弱以保持一致性；其他人以完全独立的方式代表了独特的观点。作为替代方案，我们提出了观点逻辑，这是一种简单而多功能的多模式逻辑````addon'''，用于现有的KR语言，用于针对域知识的集成表示，相对于多样化的，可能是相互冲突的角度，可以是层次结构化的， ，组合并相互关联。从一阶观点逻辑（FOSL）的通用框架开始，我们随后将注意力集中在句子公式的片段上，为此，我们将poly Time Translation转换为无角度版本。该结果对一阶逻辑的各种高度表达性可决定性片段产生可决定性和有利的复杂性。然后，我们使用一些精心设计的编码技巧，然后为OWL 2 DL本体语言的逻辑SROIQB_S建立类似的翻译。借助此结果，现有高度优化的猫头鹰推理器可用于为通过角度建模扩展的本体学语言提供实用的推理支持。
translated by 谷歌翻译