Mar, 2022

OpenDR：面向机器人的高性能、小占地深度学习的开放工具包

PDF
TL;DR本文介绍了针对机器人学应用的开放式深度学习工具包（OpenDR），该工具包旨在为机器人公司和研究机构提供机器人领域的知识。OpenDR 旨在解决现有深度学习框架在机器人领域使用时面临的问题，其中包括特定的学习、推理和融合问题，静态推理范式的局限性以及方法论的差异等。
deep learningroboticsopendractive perceptioncognition
发现论文，激发创造
  • 深度学习在机器人领域的局限和潜力

    介绍了深度学习在机器人领域中的挑战和应用，探讨了评估指标、模拟和数据驱动与模型驱动方法等方面的问题，并希望该研究能够推动深度学习在机器人领域的应用和发展。

    Apr, 2018

  • GRID：通用机器人智能开发平台

    机器智能、机器人、自主系统是研究论文的主要关键词，并且通过引入新的平台，通过物理能力、环境约束和目标来解决人工智能在机器人中的问题。

    Oct, 2023

  • 自主驾驶的深度强化学习框架

    研究利用深度强化学习提出了一个用于自动驾驶的框架，其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度，并在 TORCS 仿真器中验证了其自主操纵能力

    Apr, 2017

  • 用于发展机器人学的开放世界模拟环境

    本文介绍 SEDRo，一个模拟环境用于发展性机器人学习模型的训练，模拟婴儿从胎儿时期到 12 个月的成长进程，以发展心理学测试的形式来评估学习模型的进展。

    Jul, 2020

  • 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

  • DeepRacer: 自主驾驶教育赛车平台 进行 Sim2Real 强化学习实验

    DeepRacer 是一个用于 RL 端到端实验的平台，可以用来系统地研究智能控制系统开发中的关键挑战。该平台的应用展示了如何使用 RL 和单眼摄像头来训练 1/18 比例的小车自主学习驾驶，尤其展示出了一个能够通过使用原始相机图像观察和无模型学习方法执行鲁棒路径规划的机器人控制代理的 RL 算法。

    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

  • 知识永不足够：朝向基于 Web 辅助的深度开放世界识别

    提出一种基于深度学习架构的机器人知识动态更新方法，该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集，并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。

    Jun, 2019

  • 一种平台不可知的深度强化学习框架，用于自动驾驶中的有效 Sim2Real 迁移

    该论文提出了一种强大的 DRL 框架，该框架利用特定于平台的感知模块来提取任务相关信息，并在模拟中训练车道跟踪和超车代理程序，从而促进了 DRL 代理程序对于新的模拟环境和真实世界的无缝转移并极大地缩小了不同平台之间的差距和模拟与现实之间的鸿沟，从而使训练代理程序在模拟和真实世界中能够高效地驾驶车辆。

    Apr, 2023

  • 深度符号强化学习

    该研究提出了一个神经和符号端到端强化学习架构，能够克服当前深度学习技术的局限性，如需要非常大的数据集工作、难以实现高级认知功能和透明性欠佳等。研究者以简单的视频游戏为例，展示了这个架构的实现原型，结果表明它能够有效地学习，并通过获得一组符号规则，可将性能提高到比传统完全神经强化学习系统更好的水平。

    Sep, 2016