Nov, 2023

基于交互过程中的机械特性的开放式目标识别

PDF
TL;DR通过利用机械特性进行开放式识别，我们提出了一个开放式识别框架，用于识别已知对象并逐步标记新对象。主要贡献是一种利用已知对象知识估计聚类中心和大小的聚类算法，与典型随机选择聚类中心和大小的算法不同。该框架通过与实际对象的交互估计机械特性进行验证，结果表明该框架比新颖性检测器提供的其他方法更好地识别对象，而且我们的聚类算法表现出更好的聚类性能。此外，超参数研究表明聚类大小对聚类结果很重要，需要适当地进行调整。
tactile robotsopen-set recognitionmechanical propertiesclustering algorithmnovelty detector
发现论文，激发创造
  • 通过机器人操作和物体测量数据库实现物体属性的交互学习

    该研究提出了一种通过机器人操控和物体测量数据库自动提取物理物体属性（如材料组成、质量、体积和刚度）的框架。实验评估表明，与基线相比，该算法选择有效的探索动作，并在没有更多学习空间时正确终止实验。

    Apr, 2024

  • 通过信念空间控制学习主动触觉感知

    机器人在开放环境中操作时，会遇到未知的物理特性的新对象，需要通过交互来感知这些特性，并利用生成的世界模型来估计物体的物理参数，并开发一种信息收集模型预测控制器，以自主学习触觉探索策略。我们的研究在虚拟环境中评估了这种方法，发现我们的方法能够以直观的方式高效地收集关于所需特性的信息。最后，我们在真实机器人系统上验证了我们的方法，成功地从零开始学习和执行信息收集策略以估计物体的高度。

    Nov, 2023

  • 通过聚类提升深度开放世界识别

    本研究中，我们展示了如何通过一种新的损失函数形式实现全局到局部聚类的类特定特征，从而提高深度开放世界识别算法的性能，并提出了一种学习类特定拒绝阈值的策略，在 RGB-D Object 和 Core50 数据集上进行了实验证明了我们的方法的有效性。

    Apr, 2020

  • 未知管理：开放集合识别与相关领域综述

    本文综述开放集识别领域的最新文献，识别常见实践、限制和与连续学习、分布外检测、新颖性检测和不确定性估计等机器学习研究领域的联系，揭示了开放集识别领域的开放问题，并提出了几个研究方向，以促进和规范未来对更安全的人工智能方法的努力。

    Dec, 2023

  • 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

  • LMC：基于交叉评估的大型模型协作的训练免费开放集物体识别

    通过合作不同的现有大模型，在无需训练的情况下，提出了一种名为大型模型协作（LMC）的新框架来处理减少对虚假辨别特征依赖的挑战，并有效地从大模型中提取隐式知识。

    Sep, 2023

  • 稳定放置的外部接触区域触觉估计

    本文介绍了设计用于机器人的反馈技能，使其能够学习在复杂对象上进行堆叠。通过对接触形成期间的触觉读数进行估计，可以推断对象放置的稳定性。

    Sep, 2023

  • 使用 Sum-GP-UCB 估计相互作用物体的材料属性

    机器人需要从观察中估计物体的材料和动态特性，本研究提出了基于贝叶斯优化的方法来识别物体的材料属性参数，通过对不同场景下互动物体的观察进行估计，利用奖励函数的结构，仅使用场景中对象的参数作为输入，得到更好的广义模型来加速优化过程，还通过部分评估奖励函数来减少仿真运行次数，实验证明该方法能够有效进行增量学习而不重置奖励。

    Oct, 2023

  • 基于属性的机器人抓取与单次抓取适应性

    本文提出了一种基于属性的机器人抓取的端到端学习方法，利用门控 - 注意力机制融合了工作空间图像和查询文本的嵌入，学习预测实例抓取可行性，并利用抓取前后的对象持久性学习了视觉和文本属性的联合度量空间。模型在模拟中自我监督，可推广到新的对象和真实场景，并演示了只用一个抓取数据即可适应新对象的能力。在未知对象上，实验结果表明，我们的方法实现了超过 80％的实例抓取成功率，优于几个基准模型。

    Apr, 2021

  • 通过视觉到触觉音频跨模态迁移学习进行潜在物体特征识别

    通过视觉传感器和触觉 - 音频传感器的交叉模态迁移学习框架，提高物体识别准确性和机器人运动稳定性。

    Mar, 2024