多模态乒乓球机器人系统
使用事件驱动摄像头与脉冲神经网络相结合的新颖解决方案,实现了乒乓球的精确检测。通过比较不同脉冲神经网络框架和相应神经形态边缘设备的精确性和运行时间,为机器人研究人员提供了一个基准,并证明神经形态边缘设备上的脉冲神经网络能够实时运行在乒乓球机器人系统中。
Mar, 2024
该篇论文深入研究了一个真实世界的机器人学习系统,该系统能够和人类进行数百次乒乓球对打,并能够精确地将球返回到指定目标。论文提供了完整的系统描述,包括通常不广泛传播的设计决策,并附上一系列研究,澄清了减轻潜在延迟来源的重要性,考虑训练和部署分布变化的影响,感知系统的稳健性,策略超参数的敏感性以及行动空间的选择。
Sep, 2023
通过控制机器人关节以 100Hz 的速度返回乒乓球,我们提出了一种模型无关的算法,并证明了进化搜索方法能够在非视觉输入和时间之间卷积的基础上作用于基于 CNN 的策略体系结构,学习紧凑的控制器,在适当调整任务和奖励的情况下,策略能够发展多模态样式,同时在广泛的球类投掷范围内实现 80%的回球率,观察到多模性不需要任何建筑先验知识。
Mar, 2020
我们提出了一个神经网络 TTNet,旨在实时处理高分辨率的乒乓球视频,提供时间(事件检测)和空间(球检测和语义分割)数据,从而为自动裁判系统提供核心信息,同时我们发布了一个多任务数据集 OpenTTGames 以评估多任务方法,主要针对快速事件的检测和小物体跟踪,并在所呈现的数据集的测试部分展示了 97.0%的游戏事件检测的准确性,以及 2 像素 RMSE 的球检测准确性,并在单个消费级 GPU 的机器上实现每个输入张量不到 6 毫秒的推理时间,为实时多任务深度学习应用程序的发展做出贡献,并提供了一个潜在能够替代体育运动员的手动数据收集的方法,为裁判员的决策提供支持,并收集有关游戏过程的额外信息。
Apr, 2020
通过改进可穿戴设备对乒乓球运动的识别和分析,本文实现了对乒乓球运动员运动技能的模式识别和评估,采用特征工程构建运动特征,在维度降低后为不同模型识别鉴定运动技能,结果表明,相较于传统的卷积神经网络,本文提出的基于特征的 BP 神经网络在乒乓球运动员运动技能识别中具有更高的识别准确性和更强的泛化能力。
Sep, 2023
使用事件摄像机利用光流从提取的事件中推断球的自旋,在实时环境中实现飞行球的自旋估计,平均自旋幅度误差为 10.7±17.3 rps,自旋轴平均误差为 32.9±38.2°。
Apr, 2024
本研究提出了一种基于物理模型的乒乓球弹道过滤和预测方法,首次将数据与物理先验知识相结合,通过神经网络推断球的初始条件,采用比黑盒模型更准确的方法预测球的运动轨迹,并在评估机械手臂的实际返回表现时取得了高达 97.7% 的成功率。
May, 2023
本文介绍了一种收集乒乓视频数据并进行击球检测和分类的新方法,使用 2D 姿势估计开发的时空卷积神经网络模型能够对这 11 种乒乓球击球进行多分类,以提高运动员的性能。
Apr, 2021
我们介绍了一个新的高分辨率、高帧率的立体视频数据集 SPIN,用于跟踪和动作识别,在乒乓球比赛中进行。数据集包括 53 小时的训练数据和 1 小时的测试数据,并针对该数据集介绍了几个基准模型。该数据集可以用于机器学习和视觉任务的许多领域,如跟踪、姿态估计、半监督和无监督学习以及生成建模。
Dec, 2019