Mar, 2019

一种雾机器人方法用于深层机器人学习：在表面整理中应用的物体识别和抓取规划

PDF
TL;DR使用 “Fog Robotics” 方法，将计算、存储和网络资源在云和边缘之间进行分布式管理，从而提高对机器人的深度学习训练并保证了隐私和安全性。通过将模型应用于物体整理等任务，实验结果表明相比于独立使用云或边缘资源，Fog Robotics 方法可以通过模拟到真实领域适应来提高性能，同时将推理周期时间缩短了 4 倍并在 213 次尝试中成功清理了 86% 的物体。
发现论文，激发创造
  • 基于深度学习的小型无人机分布式智能安全系统

    本文提出了一种基于边缘 - 雾计算的分布式执行方案，通过验证小型无人机上运行的随机子网络，以增强对云端计算的可靠性，同时提高了视觉位姿估计网络的性能和安全性。

    Jul, 2023

  • 云机器人网络卸载策略：基于学习的方法

    本研究提出了一种针对资源受限型机器人的重要问题：如何在提高精度和减少云端通信成本之间进行权衡，在机器人不确定时何时和如何卸载任务，使用深度强化学习的解决方案可以显著改善任务性能和减少通信成本。

    Feb, 2019

  • HealthFog: 基于集成深度学习的智能医疗系统，用于在集成 IoT 和 Fog 计算环境中自动诊断心脏疾病

    提出一种名为 HealthFog 的集成深度学习的边缘计算框架，将其部署在自动心脏病分析的实际应用中，将医疗服务提供为雾计算服务，并使用 IoT 设备高效地管理心脏患者的数据。

    Nov, 2019

  • 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

  • 机械臂多目标抓取安全高效检测方法

    本文基于深度学习和边缘云协作提出了机械臂抓取方法，并考虑了抓取效率和信息安全。使用 GAN 训练的编码器和解码器实现了图像加密压缩，同时保护了隐私安全，在 OCID 数据集上实现了 92% 的准确率、0.03% 的图像压缩比和 0.91 的结构差异度。

    Sep, 2022

  • 联邦模仿学习：一种适用于异构传感器云机器人系统的新型框架

    本文介绍了一种新颖的基于云机器人系统的知识融合和转移框架 FIL，该框架通过融合来自本地机器人的异构知识并生成服务请求机器人的引导模型来实现云机器人系统中的姿态学习，同时还引入了一种知识转移方案来促进本地机器人从云中获取知识，最终实验结果表明 FIL 可以提高云机器人系统中本地机器人的姿态学习效率。

    Dec, 2019

  • 通过本地和云计算增强环境的图表示

    通过图形化表示机器人环境，结合经典计算机视觉工具和现代计算机视觉云服务，以达到语义理解的目标。

    Sep, 2023

  • FogGuard：利用感知损失保护 YOLO 免受雾霾影响

    本文介绍了一种名为 FogGuard 的新型雾天感知目标检测网络，旨在解决雾天气候条件下的挑战。通过在 YOLOv3 基础目标检测算法上引入新的教师 - 学生感知损失，我们的网络在雾天图像中实现了高准确率的目标检测，并通过对 PASCAL VOC 和 RTTS 等常见数据集的广泛评估证明了性能的提升。

    Mar, 2024

  • 新雾状物体检测模型

    通过输入图像中的区域识别和在该区域中检测对象的两阶段架构，该研究论文介绍了一种新的雾天目标检测方法，确认了其准确性和检测时间相较于现有技术的显著改进。

    Jan, 2024

  • 边缘云多用户推理编排的在线学习

    我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

    Feb, 2022