Aug, 2016

关于液体知觉和推理的学习

PDF
TL;DR应用深度学习技术，本文评估了三个模型：单帧网络、多帧网络和 LSTM 循环网络，在检测和跟踪液体方面，实验结果表明 LSTM 网络优于其他两个模型，这表明 LSTM 网络在使机器人具备处理液体的能力上具有潜在的关键作用。
发现论文，激发创造
  • 利用人工智能和机器人实现流体属性预测

    本文提出了一种纯视觉方法来估计液体黏度，利用流体振荡的行为与黏度直接相关的事实，通过使用 3D 卷积自动编码器学习视频中不同流体振荡模式的潜在表示，从而在视觉上推断流体的类别或动力黏度。

    Aug, 2023

  • 倒液体的视觉闭环控制

    本研究利用视觉反馈开发了两种基于模型和无模型的深度学习方法来预测容器中的液体体积，并将其与简单的 PID 控制器结合起来，以倾倒特定数量的液体。我们的结果表明，无模型方法能够更好地估计液体体积，并且机器人能够达到平均偏差为 38 毫升的目标数量。据我们所知，这是机器人在倾倒液体时首次使用原始视觉反馈。

    Oct, 2016

  • 利用神经网络建模液体飞溅

    本文提出了一种新的基于数据驱动的方法，使用神经网络模拟液体模拟中的小尺度跳跃细节。使用物理参数化高分辨率模拟的训练数据，利用神经网络模拟分类器和速度调节器来回归跳跃形成。通过使用异方差模型对速度进行修改，我们证明了此方法在提高视觉保真度方面具有显著的效果，比更细的离散化更高效地产生跳跃细节。

    Apr, 2017

  • LiqD: 一个针对复杂小容器的动态液位检测模型

    基于 U^2-Net 的容器动态液位检测模型能够有效检测容器中液体的动态液位变化，为相关领域提供了一种新颖高效的解决方案。

    Mar, 2024

  • 使用深度学习方法和单帧 CNN 及卷积 LSTM 进行人类活动识别

    本文探讨了基于深度学习的两种方法 —— 单帧卷积神经网络和卷积长短时记忆，以实现从视频中识别人类行为，同时在 UCF50 数据集和实验数据集上对两个模型进行了评估，结果表明单帧 CNN 模型的准确性优于卷积 LSTM 模型。

    Apr, 2023

  • 利用逻辑规则开发深度神经网络

    这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

    Mar, 2016

  • 利用变形感知神经网络生成液体模拟

    提出了一种新颖的变形感知神经网络方法，用于学习密集体积变形场的加权合成，特别针对液体模拟的时空表征，成功地实现了实时流体效果的移动端交互。

    Apr, 2017

  • 深度学习在机器人领域中的应用研究综述

    深度学习在机器人系统中的应用、优势和局限性进行了探讨，以当前研究为例，旨在向更广泛的机器人社区传达最新进展，激发人们在机器人领域中更多地应用深度学习。

    Jul, 2017

  • 潜空间物理学：迈向学习流体流动的时间演变

    本文提出一种基于深度学习的方法，通过使用 LSTM 算法预测流体力学问题中的压力场变化，并在实验中证明了该算法在速度上的优势

    Feb, 2018

  • 将常识推理和知识获取结合，为机器人的深度学习提供指导

    该论文提出了一种基于认知系统的深度网络模型，以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战，并通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

    Jan, 2022