CoRL hakkında en ilginç beş makale
Günümüzde çok fazla akademik konferans var, bir konferansın kalitesi yüksek değil.Konferanstan sonra organizatöre bakmanın yanı sıra, konferansta hangi önemli makalelerin yayınlandığını görmek önemli bir faktör. Örneğin, Berkeley BAIR Blog'un yayın kurulu üyesi ve doktora öğrencisi Xu Huazhe, Leifeng.com'dan bir muhabirle şakalaştı.Yeni bir konferans düzenlemek için, konferans düzenleyicisinin yalnızca ağır konuşmacılar davet etmesi gerekmiyor, aynı zamanda kendi öğrencilerine bakmak için başka bir görevi de var. Herkese bu toplantının bir su toplantısı olmadığını ve gelecek yıl daha fazla kişinin katılacağını bildirmek için bir veya iki etkili belge hazırlayın. Bu kesinlikle bir şaka, ancak ilk akademik konferans için makalenin kalitesi çok önemli olmalı.
Son zamanlarda, Mountain View'de düzenlenen ilk CoLR konferansında, Leifeng.com da bu konferanstaki bildiri gönderimlerinin durumuna odaklandı.
Konferansın resmi istatistiklerine göre, konferans toplam 212 bildiri aldı: En büyük üç kağıt kategorisi, takviye öğrenme, model öğrenme ve robot vizyonu;
Yerinde sunulan Sözlü sunum oturumunda uzun bildiriler için sunum süresi 20 dakika, kısa bildiriler için ise 6 dakikadır.
Aşağıdakiler, Leifeng.com tarafından yerinde keşfedilen bazı ilginç makalelerdir:
1. "Meta-Öğrenme Yoluyla Tek Adımda Görsel Taklit Öğrenme"
Yazarlar: Chelsea Finn, Tianhe Yu, Tianhao Zhang, Pieter Abbeel, Sergey Levine
Özet: Bir robotun genel amaçlı görevleri geniş çapta gerçekleştirebilmesi için, karmaşık yapılandırılmamış bir ortamda çeşitli becerileri hızlı ve etkili bir şekilde kazanabilmesi gerekir. Derin sinir ağları gibi yüksek hacimli modeller, robotların karmaşık becerileri göstermesini sağlayabilir, ancak her beceriyi sıfırdan öğrenmek imkansız hale gelir. Bu yazıda, robotun tek bir gösteriden yeni beceriler kazanabilmesi için daha etkili öğrenmeyi öğrenmesine olanak tanıyan bir meta-simülasyon öğrenme yöntemi öneriyoruz. Önceki tek vuruşlu simülasyon yönteminin aksine, yöntemimiz orijinal piksel girişine genişletilebilir ve gerekli ön görevlerin sayısı da büyük ölçüde azaltılır, böylece yeni beceriler daha etkili bir şekilde öğrenilebilir. Simüle edilmiş robotlar ve gerçek robot platformları üzerindeki deneylerimiz, tek bir görsel sunumdan uçtan uca yeni görevleri öğrenme yeteneğini göstermiştir.
Yorumlar: Bu makale, Leifeng.com tarafından uzun zaman önce keşfedilen bir makaledir. Ayrıntılar için bkz. "BAIR Makalesi: Robotların Yeni Becerilerde Hızla Uzmanlaşmasına İzin Vermek İçin" Meta-öğrenme "ve" Tek Seferlik Öğrenme "Algoritmalarını Kullanma"
2. "image2mass: Bir Nesnenin Kütlesini Görüntüsünden Tahmin Etme"
Yazar: Trevor Standley, Ozan Şener, Dawn Chen, Silvio Savarese
Özet: Gerçek dünyadaki nesnelerin robot manipülasyonu, bu nesnelerin fiziksel özelliklerinin anlaşılmasını gerektirir. Bir nesnenin görüntüsünden bir nesnenin kalitesini tahmin etmek için bir model önerdik. Görüntü, boyut ve ağırlık gibi bilgileri içeren büyük bir veri kümesi topladık ve bu veri kümesi üzerinde eğitilen görüntünün kalitesinin birkaç kıyaslama modelini karşılaştırdık. Aynı zamanda insanların bu konudaki performansını karşılaştırdık. Son olarak, nesnenin 3 boyutlu şeklini hesaba katan bir model öneriyoruz.Bu model, yukarıdaki kıyaslamalardan daha iyidir ve insan performansı ile karşılaştırılır.
Yorumlar: Stanford Copmutational Vision and Geometry Lab'den Profesör Silvio Savarese'nin ekibinden bir makale. Bir resme bakın ve bir nesnenin ağırlığını tahmin edin. Bu uygulama çok güzel. İlk yazar Trevor Standley'e göre, bir veri seti olarak büyük miktarda ürün bilgisi elde etmek için Amazon'un API arayüzünü kullanıyorlar.Hacim ve yoğunluğu tahmin etmek için iki modüle ek olarak, nesnelerin 3B şeklini tahmin etmek için bir sinir ağı modülü de var, böylece daha fazla nesne tahmini sağlanıyor Doğruluk.
3. "Sinirsel Görev Programlama: Hiyerarşik Görevler Arasında Genellemeyi Öğrenmek"
Yazar: Danfei Xu, Suraj Nair, Yuke Zhu, Julian Gao, Animesh Garg, Li Fei-Fei, Silvio Savarese
Özet: Bu yazıda, daha az gösteri ve sinir programı rehberliği yoluyla öğrenebilen Sinir Görev Programlama (NTP) adlı yeni bir robot öğrenme çerçevesi öneriyoruz. NTP, girdi normatif görevleri (görevlerin video gösterimleri gibi), hiyerarşik sinir programına iletilen daha ince alt görev özelliklerine ayrıştırabilir ve çağrılabilir düşük seviyeli alt programlarla çevre ile etkileşime girebilir. Aynı zamanda yöntemimizi üç robot manipülasyon görevinde doğruladık: Deneyde NTP, hiyerarşik yapı ve birleşik yapı gösteren sıralı görevlerde güçlü genelleme yeteneği gösterdi. Deneysel sonuçlar, NTP'nin değişken öğrenme uzunluğu, değişken topolojisi ve sürekli değişen bilinmeyen görevlerin öğrenilmesi ve genişletilmesi üzerinde iyi bir etkiye sahip olduğunu göstermektedir.
Yorumlar: Li Feifei ekibinin önceki araştırmaları daha çok bilgisayarla görme alanında olmakla birlikte, tam da bu nedenle problemleri robotik alanındaki araştırmacıların alışık olduğu bir perspektiften düşünmek mümkündür.Bu yazıda sunulan yeni fikirler de robotik araştırmacıları tarafından dikkate alınmaya değerdir.
4. " Intention-Net: Hedefe Yönelik Otonom Gezinme için Planlama ve Derin Öğrenmeyi Entegre Etme
Yazar: Wei Gao, Küçük Sun Lee, Shengmei Shen, Karthikk Subramanian
Özet: Teslimat robotu yeni ofis binasındaki varış noktasına güvenilir bir şekilde nasıl yönlendirilir ve en az önceden bilgi sağlanır? Bu zorluğun üstesinden gelmek için, bu makale, bir model ve model tabanlı yol planlaması olmadan derin öğrenmeyi entegre eden iki seviyeli bir sınıflandırma yöntemi sunar. Düşük seviyede, niyet ağı adı verilen bir sinir ağı hareket denetleyicisi, sağlam yerel gezinme sağlamak için uçtan uca eğitilir. Amaç ağı, tek bir monoküler kameradan görüntü ve "amacı" doğrudan robot kontrolörüne eşler. Yüksek düzeyde, yol planlayıcı, robotun mevcut konumundan hedefe giden yolu hesaplamak için kaba bir harita (iki boyutlu bir plan gibi) kullanır ve planlanan yol, amaç ağına niyet sağlar. Ön deneyler, öğrenilen hareket kontrol cihazının güçlü olduğunu, algılanan belirsizlikten etkilenmediğini ve yol planlayıcı ile entegrasyon yoluyla yeni ortamlara ve hedeflere etkili bir şekilde genişletilebileceğini göstermektedir.
Yorumlar: Geleceğin sürücüsüz araçları, Google Haritalar ile insanlar gibi otonom bir şekilde gidebilir mi? Bu açıkça insansız sürüşü "insana" yaklaştırmak için yapılan bir çalışma.
5. "Karma Özerklik Trafikte Ortaya Çıkan Davranışlar"
Yazar: Cathy Wu, Aboudy Kreidieh, Eugene Vinitsky, Alexandre M. Bayen
Özet: Trafik dinamikleri genellikle karmaşık bir dinamik sistem modellemesidir ve geleneksel analiz araçlarının ulaştırma ajansları ve planlamacıları tarafından kullanılan, kullanımı kolay stratejiler sağlamak zor olabilir. Taşıma sistemine otomatik araçlar dahil edilirse, otomasyonun ulaşım ağı üzerindeki etkisinin anlaşılması gerekir. Bu makale, karma trafik kontrol probleminde (otonom araçlar ve insan sürücüler vardır) ortaya çıkan politikalar ve acil durum davranışlarıyla başa çıkmak için güçlü bir takviye öğrenimi (RL) çerçevesini detaylandırır ve benimser ve hibrit filoların ve insan sürücülerin otomasyonu yoluyla trafiğin gerçekleştirilmesini sağlar. Otomasyon potansiyeli. Modelden bağımsız öğrenme yöntemi, doğal seçilimden önce model güdümlü yöntemle tasarlanan politika ve davranışların, kararlılık ve kuyruk gibi, döngü verimliliğini etkili bir şekilde artırabileceğini ve hatta teorik hız sınırını aşabileceğini kanıtladı. RL'nin, kavşak ağının etkili araç aralığını oluşturmak için insan sürüş davranışının yapısını etkili bir şekilde kullanarak hızı başarıyla maksimize ettiğini belirtmek gerekir. Sonuçlarımızı, stabilite analizi ve hibrit otonomi analizinin mevcut kontrol teorisi sonuçları bağlamında açıklıyoruz.
Yorumlar: Otonom araçlar% 5'e ulaşırsa trafiğimiz üzerinde nasıl bir etkisi olacak? Bu makalenin deneyinde, yuvarlak bir yol bölümünde 21 insan sürücü ve 1 insansız aracın simülasyonu gösterilmiş ve genel işletme verimliliği% 60 artırılabilir. Gerçek trafik durumu daha karmaşık olabilir ancak insansız araçların eklenmesi trafik sıkışıklığını daha iyi çözebilirse, insansız araçlar için şüphesiz iyi bir haberdir.
