Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

I ricercatori utilizzano strategie di chiarimento nativo per tentare di percepire come le mode che studiano le macchine effettuano le selezioni. Anche quando queste spiegazioni sono appropriate, non servono a nulla se le persone non riescono a percepire ciò che implicano. I ricercatori del MIT hanno ora sviluppato un quadro matematico per quantificare e considerare la comprensibilità di una dimostrazione. Punteggio di credito: Massachusetts Institute of Know-how

Le mode alla moda dell’apprendimento automatico, che ricordano le reti neurali, sono talvolta chiamate “contenitori neri” perché sono così avanzate che anche i ricercatori che le progettano non possono percepire completamente come fanno previsioni.

Per fornire alcune informazioni, i ricercatori utilizzano strategie di chiarimento che cercano di spiegare le selezioni di manichini di particolari persone. Ad esempio, potrebbero mettere in luce frasi in una panoramica di un film che hanno influenzato la scelta del manichino che la panoramica fosse costruttiva.

Tuttavia queste strategie di chiarimento non servono a nulla se le persone non possono semplicemente percepirle e persino fraintenderle. Quindi, i ricercatori del MIT hanno creato a quantificare formalmente e considerare la comprensibilità delle spiegazioni per . Questo può aiutare a ottenere informazioni precise sulla condotta del manichino che potrebbero non essere rilevate se il ricercatore sta solo valutando una manciata di spiegazioni di particolari persone per tentare di percepire l’intero manichino.

“Con questo quadro, avremo un’immagine davvero chiara non solo di ciò che tutti sappiamo riguardo al manichino da queste spiegazioni native, ma soprattutto di ciò che non scopriamo al riguardo”, afferma Yilun Zhou, un e studioso laureato in scienze dei laptop all’interno del Pc Science and Synthetic Intelligence Laboratory (CSAIL) e creatore principale di un documento che presenta questo framework.

I coautori di Zhou incarnano Marco Tulio Ribeiro, ricercatore senior presso Microsoft Analysis, e la creatrice senior Julie Shah, professoressa di aeronautica e astronautica e direttrice dell’Interactive Robotics Group in CSAIL. L’analisi sarà introdotta sulla Convenzione del Capitolo Nordamericano dell’Affiliazione per la Linguistica Computazionale.

Comprendere le spiegazioni native

Un approccio per percepire un manichino di apprendimento automatico consiste nel cercare un altro manichino che imiti le sue previsioni, tuttavia utilizza schemi di ragionamento chiari. Tuttavia, le attuali mode della comunità neurale sono così avanzate che questo metodo normalmente fallisce. In alternativa, i ricercatori ricorrono all’utilizzo di spiegazioni native che si concentrano su input di particolari persone. Di solito, queste spiegazioni mettono in evidenza le frasi all’interno del contenuto testuale per suggerire il loro significato ad almeno una previsione fatta dal manichino.

Implicitamente, gli individui poi generalizzano queste spiegazioni native alla condotta generale del manichino. Qualcuno potrebbe anche vedere {che una} metodologia di chiarimento nativa ha evidenziato frasi costruttive (come “memorabile”, “impeccabile” o “affascinante”) come essenzialmente le più influenti quando il manichino ha stabilito che una panoramica del film aveva un sentimento costruttivo. Sono quindi inclini a presumere che ciascuna frase costruttiva dia un contributo costruttivo alle previsioni di un manichino, tuttavia potrebbe non essere sempre così, dice Zhou.

I ricercatori hanno sviluppato un framework, generalmente noto come ExSum (breve estratto di chiarimento), che formalizza questo tipo di affermazioni in linee guida che possono essere esaminate utilizzando metriche quantificabili. ExSum valuta una regola su un intero set di dati, leggermente rispetto alla semplice occasione per cui è stato costruito.

Utilizzando un , una persona scrive linee guida che possono quindi essere ottimizzate, ottimizzate e valutate. Ad esempio, quando si impara un manichino che impara a classificare le critiche cinematografiche come costruttive o sfavorevoli, si potrebbe scrivere una regola che afferma che “le frasi di negazione hanno una rilevanza sfavorevole”, il che significa che frasi come “non”, “no” e “niente ” contribuiscono negativamente al sentimento delle critiche cinematografiche.

Utilizzando ExSum, il consumatore può vedere se quella regola regge utilizzando tre parametri particolari: protezione, validità e nitidezza. La protezione misura la rilevanza della norma nell’intero set di dati. La validità evidenzia la quota di particolari esempi di persone che concordano con la regola. La nitidezza descrive quanto sia esatta la regola; una regola estremamente legittima potrebbe essere così generica da non essere utile per la comprensione del manichino.

Ipotesi di verifica

Se un ricercatore cerca una comprensione più profonda di come si comporta il suo manichino, utilizzerà ExSum per verificare particolari ipotesi, dice Zhou.

Se sospetta che il suo manichino sia discriminatorio quando si tratta di genere, potrebbe creare linee guida per dire che i pronomi maschili hanno un contributo costruttivo e i pronomi femminili hanno un contributo sfavorevole. Se queste linee guida hanno una validità eccessiva, significa che sono vere generali e il manichino probabilmente sta diventando di parte.

ExSum può anche rivelare dettagli sorprendenti sulla condotta di un manichino. Ad esempio, durante la valutazione del classificatore della panoramica del film, i ricercatori sono rimasti sbalorditi nello scoprire che le frasi sfavorevoli sono inclini ad avere contributi più acuti e più acuti alle selezioni del manichino rispetto alle frasi costruttive. Ciò potrebbe essere una conseguenza del fatto che gli scrittori d’insieme tentano di essere ben educati e meno schietti quando criticano un film, spiega Zhou.

“Per affermare effettivamente la tua comprensione, è essenziale considerare queste affermazioni in modo piuttosto più rigoroso su una varietà di casi. Questo tipo di comprensione in questa fase a grana fine, per quanto riguarda il più efficace dei nostri dati, non è stato affatto scoperto nei lavori precedenti”, afferma.

“Il passaggio dalle spiegazioni native alla comprensione del mondo è stato un enorme buco all’interno della letteratura. ExSum è un primo passo efficace per riempire quel buco”, fornisce Ribeiro.

Ampliare il quadro

Prima o poi, Zhou spera di costruire su questo lavoro estendendo la nozione di comprensibilità a diversi standard e tipi di chiarimento, come le spiegazioni controfattuali (che indicano metodi facili per modificare un’immissione per alterare la previsione del manichino). Per ora, si sono concentrati sulle strategie di attribuzione delle funzioni, che descrivono la persona che incorpora un manichino utilizzato per decidere (proprio come le frasi in una panoramica di un film).

Inoltre, desidera migliorare ulteriormente il framework e l’interfaccia utente in modo che le persone possano creare linee guida più rapidamente. La scrittura di linee guida può richiedere ore di coinvolgimento umano e alcune fasi del coinvolgimento umano sono essenziali perché le persone dovrebbero finalmente avere la capacità di coglierne le ragioni, tuttavia l’aiuto dell’IA potrebbe semplificare il metodo.

Mentre riflette sulla via da seguire per ExSum, Zhou spera che il loro lavoro evidenzi un cambiamento fondamentale nel modo migliore in cui i ricercatori prendono in considerazione le spiegazioni dei manichini di apprendimento automatico.

“Prima di questo lavoro, quando hai un nativo preciso , potresti essere giustiziato. Hai ottenuto il Santo Graal di spiegare il tuo . Stiamo proponendo questa dimensione extra della costruzione di certe spiegazioni comprensibili. La comprensibilità deve essere un’altra metrica per valutare le nostre spiegazioni”, afferma Zhou.


Il nuovo metodo confronta il ragionamento del modello di apprendimento automatico con quello di un essere umano


Dati extra:

Yilun Zhou, Marco Tulio Ribeiro, Julie Shah, ExSum: dalle spiegazioni dei nativi alla comprensione del manichino. arXiv:2205.00130v1 [cs.CL], arxiv.org/abs/2205.00130

Questa storia è stata ripubblicata per gentile concessione di MIT Information (web.mit.edu/newsoffice/), un sito Web preferito che copre informazioni sull’analisi, l’innovazione e l’istruzione del MIT.

Quotazione:
Quadro per spiegare le selezioni di manichini di apprendimento automatico di particolari persone (2022, 5 maggio)
recuperato il 6 maggio 2022
da https://techxplore.com/information/2022-05-framework-individual-machine-learning-decisions.html

Questo documento è soggetto a copyright. Al di là di ogni onesto trattamento finalizzato alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per le funzioni di dati.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Lo strumento AI rivoluzionario salverà madri e bambini – L’ultima novità in fatto di intelligenza artificiale | Robotica AI

Published

on

Game-changer AI tool will save mothers and babies

The Ultimate Managed Hosting Platform

Al giorno d’oggi, diverse tecnologie che cambiano il mondo continuano a crescere a un ritmo maggiore rispetto ai progressi che abbiamo visto nei decenni passati. Conosciamo tutti l’apprendimento automatico, l’IoT e l’intelligenza artificiale.

Sebbene tutte queste tecnologie possano rovesciare e sostituire la maggior parte degli altri sistemi, l’RPA o Robotic Process Automation rimane una delle principali tecnologie che rafforzano la sua presa sulle aziende che cercano di trasformarsi nei prossimi anni.

Tuttavia, ci sono ancora molte idee sbagliate su cosa sia esattamente l’RPA e la sua gamma di capacità. Le persone a volte lo confondono con l’intelligenza artificiale. In questo post, esamineremo fino a che punto è cresciuta questa tecnologia e i diversi modi in cui possiamo utilizzarla.

Funzionalità e usi di RPA

Allora cos’è Automazione dei processi robotici? È un bot digitale codificato manualmente che aiuta ad automatizzare numerosi processi aziendali che di solito sono considerati ripetitivi e uno spreco di risorse utili corrispondenti a denaro e tempo.

La metà robotica è generalmente rappresentata da un personaggio digitale che funziona principalmente sulla base di un algoritmo progettato per svolgere compiti con metodi più intelligenti e veloci di quanto possa mai fare un essere umano. Questo know-how era solo un prezzo ragionevole da parte di grandi aziende diversi anni fa, tuttavia con lo sviluppo di nuove mode aziendali, le aziende di tutte le dimensioni possono sfruttare al massimo l’RPA.

Ad esempio, prendiamo l’istanza di un operatore finanziario che esegue un’attività di fatturazione di fantasia. Il metodo potrebbe consistere nel generare una fattura da un insieme di gadget fatturabili in un file di immissione. Ciò potrebbe richiedere la creazione della fattura prendendo i gadget fatturabili, il controllo incrociato del prezzo e di eventuali accordi di fatturazione, le riduzioni, la creazione della fattura nel formato adatto, l’aggiornamento del bill tracker, l’invio di email all’acquirente e l’aggiornamento del sistema finanziario

In un tale stato di cose, un know-how come RPA può far risparmiare un bel po’ di tempo e risorse grazie alla capacità di automatizzare la punta per completare il corso replicando con precisione i passaggi che il lavoratore umano eseguirebbe e quindi liberando il lavoratore per svolgere compiti che richiedono un giudizio umano.

La posizione dell’IA e dello studio delle macchine nei metodi RPA

In questo momento, le variazioni più recenti delle tecniche RPA sono alimentate da scienze applicate di gran lunga superiori corrispondenti all’intelligenza sintetica e allo studio delle macchine. Queste scienze applicate integrate consentono alle macchine di osservare e studiare regolarmente con successo le azioni umane ripetitive.

Queste integrazioni possono presentare un sistema RPA digitale avanzato con opzioni aggiuntive corrispondenti a funzionalità suggestive che potrebbero migliorare drasticamente i processi aziendali. Svilupperanno intelligenza che potrebbe consentire loro di calcolare ed eseguire opzioni più intelligenti che puoi descrivere come inimmaginabili per gli esseri umani.

Ancora una volta, l’aggiornamento della prima istanza di fatturazione con questo sviluppo eliminerebbe la necessità di input umani, il luogo in cui il sistema può studiare dalle azioni il luogo in cui una regola può essere utilizzata, rendendola una risposta di automazione molto autonoma. Consideralo come un livello di programma software intelligente con linee guida e risposte preimpostate che finalmente apprende e migliora il suo funzionamento con tempo e competenza.

Tali tecniche sono ampiamente utilizzate nella pubblicità tramite posta elettronica e nelle società di fornitori di riparazioni. Dovresti essere a conoscenza dell’automazione della posta elettronica o delle tecniche di messaggistica integrate con funzionalità che ti offrono aziende e strategie basate principalmente sulle tue preferenze e sulle azioni precedenti sulla rispettiva piattaforma.

Conclusione

L’analisi indica che l’intera spesa del mercato per il corso robotico di automazione contatterà quasi 13 miliardi di dollari entro il 2030, luogo in cui il suo picco sarà probabilmente un giorno intorno al 2027. Suggerisce inoltre che la maggior parte di questi utilizzatori apparterrà al settore manifatturiero.

Le attuali situazioni pandemiche e le loro ripercussioni consolidano questo modello crescente nell’automazione a causa della drastica necessità di ridurre il più possibile il contatto umano considerando considerazioni di sicurezza.

Varie scienze applicate corrispondenti all’IA e allo studio delle macchine possono persino vedere sviluppi vitali nella creazione di tecniche intelligenti che riducono al minimo l’intervento umano e gli errori. Negli ultimi anni, ora abbiamo assistito a trasformazioni inimmaginabili che hanno modificato tutti i pezzi che conoscevamo e che pensavamo regolari. La rapidità di tali modifiche dimostra come le società siano dedite a promuovere il nostro futuro verso l’alto con l’assistenza di scienze applicate più recenti e dismesse come RPA.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Published

on

Neuromorphic memory device simulates neurons and synapses

The Ultimate Managed Hosting Platform

Sistema di reminiscenza neuromorfica costituito da strati di reminiscenza sul retro instabili e ad alta non volatilità che emulano rispettivamente le proprietà neuronali e sinaptiche. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

I ricercatori hanno segnalato un sistema di reminiscenza neuromorfica di dimensioni nanometriche che emula neuroni e sinapsi contemporaneamente in una cellula unitaria, un altro passo verso il raggiungimento dell’obiettivo del calcolo neuromorfico progettato per imitare accuratamente la mente umana con gadget a semiconduttore.

Obiettivi del calcolo neuromorfico da comprendere (AI) imitando i meccanismi dei neuroni e che compongono il . Impressionati dalle caratteristiche cognitive della mente umana che i sistemi informatici attuali non possono presentare, i gadget neuromorfici sono stati ampiamente studiati. Tuttavia, gli attuali circuiti neuromorfici basati su CMOS (Complementary Steel-Oxide Semiconductor) si limitano a unire neuroni sintetici e sinapsi senza interazioni sinergiche e l’implementazione concomitante di neuroni e sinapsi rimane comunque un problema. Per gestire questi punti, una squadra di analisi guidata dal professor Keon Jae Lee della Divisione di scienza e ingegneria delle forniture ha applicato i meccanismi di lavoro organico delle persone introducendo le interazioni neurone-sinapsi in una singola cellula di reminiscenza, in qualche modo rispetto alla strategia standard di connessione elettrica gadget neuronali e sinaptici sintetici.

Proprio come le carte da gioco di grafica industriale, i gadget sinaptici sostitutivi studiati in precedenza erano tipicamente utilizzati per accelerare i calcoli paralleli, che mostrano chiare variazioni rispetto ai meccanismi operativi della mente umana. La squadra di analisi ha applicato le interazioni sinergiche tra neuroni e sinapsi all’interno del sistema di reminiscenza neuromorfica, emulando i meccanismi della comunità neurale organica. Inoltre, il sistema neuromorfico sviluppato può scambiare circuiti neuronali CMOS avanzati con un unico sistema, offrendo un’eccessiva scalabilità ed efficacia di valore.

La mente umana è costituita da una comunità elegante di 100 miliardi di neuroni e 100 trilioni di sinapsi. Le caratteristiche e gli edifici dei neuroni e delle sinapsi possono cambiare in modo flessibile in linea con gli stimoli esterni, adattandosi all’ambiente circostante. La squadra di analisi ha sviluppato un sistema neuromorfico durante il quale coesistono reminiscenze a breve ea lungo termine utilizzando gadget di reminiscenza instabili e non volatili che imitano rispettivamente i tratti dei neuroni e delle sinapsi. Viene utilizzato un sistema di modifica della soglia come e la reminiscenza del cambiamento di fase viene utilizzata come sistema non volatile. Due gadget a film sottile sono integrati senza elettrodi intermedi, implementando la pratica adattabilità dei neuroni e delle sinapsi all’interno della reminiscenza neuromorfica.

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Operazione di riqualificazione all’interno dell’array del sistema neuromorfico. a) Grafico schematico che mostra l’impatto della riqualificazione. b) Immagine al microscopio elettronico a scansione dell’array del sistema neuromorfico. c) Esempio di coaching “F” per la riqualificazione dai un’occhiata. d) Evoluzione dello stato di reminiscenza dell’array del sistema neuromorfico per lo schema di coaching e riqualificazione ingenuo. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

Il professor Keon Jae Lee ha definito: “I neuroni e le sinapsi lavorano insieme per determinare le caratteristiche cognitive equivalenti alla reminiscenza e allo studio, quindi simulare ciascuna di esse è una componente vitale per l’intelligenza sintetica ispirata al cervello. Il neuromorfico sviluppato il sistema imita inoltre l’impatto di riqualificazione che consente uno studio rapido delle informazioni dimenticate implementando un impatto di suggerimenti costruttivi tra e sinapsi”.

Questa conseguenza, intitolata “Emulazione simultanea della plasticità sinaptica e intrinseca che utilizza una sinapsi memristiva”, è stata stampata all’interno della situazione del 19 maggio 2022 di Comunicazioni sulla natura.


Il team presenta hardware neuromorfico altamente scalabile ispirato al cervello


Informazioni extra:

Sang Hyun Sung et al, Emulazione simultanea della plasticità sinaptica e intrinseca utilizzando una sinapsi memristiva, Comunicazioni sulla natura (2022). DOI: 10.1038/s41467-022-30432-2

Quotazione:
Il sistema di reminiscenza neuromorfica simula neuroni e sinapsi (2022, 20 maggio)
recuperato il 20 maggio 2022
da https://techxplore.com/information/2022-05-neuromorphic-memory-device-simulates-neurons.html

Questo documento è soggetto a copyright. Al di fuori di ogni veridicità di trattamento finalizzata alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale di contenuto viene offerto esclusivamente per funzioni informative.

L'ultima piattaforma di hosting gestito

Collegamento sorgente

Il post Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi è apparso per la prima volta su Le ultime novità in fatto di intelligenza artificiale | Robotica AI | Notizie sull’apprendimento automatico.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Rete neurale per aiutare ecologisti, silvicoltori e operatori di linee elettriche a dimensionare alberi dall’alto – Le ultime novità in materia di intelligenza artificiale | Robotica AI

Published

on

Neural network to help ecologists, foresters and power line operators size up trees from above

The Ultimate Managed Hosting Platform

Hugues Thomas ei suoi collaboratori dell’U of T Institute for Aerospace Research hanno creato una nuovissima tecnica per la navigazione robotica basata principalmente sullo studio approfondito autocontrollato. Punteggio di credito: Safa Jinje

Un gruppo di ricercatori guidato dal professor Tim Barfoot del College of Toronto sta utilizzando una nuova tecnica che consente ai robot di evitare di scontrarsi con gli individui prevedendo le aree a lungo termine di ostacoli dinamici del loro percorso.

La sfida sarà probabilmente introdotta alla Worldwide Convention on Robotics and Automation a Filadelfia alla fine di Might.

I risultati di una simulazione, che non sono altro che peer-reviewed, possono essere trovati sul servizio di prestampa di arXiv.

“Il precetto del nostro lavoro è avere a prevedere cosa faranno le persone in un futuro rapido”, afferma Hugues Thomas, ricercatore post-dottorato nel laboratorio di Barfoot presso l’Istituto di ricerca aerospaziale U of T al College of Utilized Science & Engineering. “Ciò consente al robot di anticipare moderatamente il movimento degli individui che incontra piuttosto che reagire non appena si trova di fronte a questi ostacoli”.

Per risolvere il luogo di manovra, il robot utilizza le mappe della griglia di occupazione spaziotemporale (SOGM). Si tratta di mappe della griglia 3D mantenute all’interno del processore robotico, con ogni cella della griglia 2D contenente i dettagli previsti sull’esercizio in quella casa in un determinato momento. La robotica sceglie le sue azioni future elaborando queste mappe per mezzo degli attuali algoritmi di pianificazione della traiettoria.

Un altro software chiave utilizzato dall’equipaggio è il rilevamento e la portata delicati (lidar), un know-how di rilevamento della distanza molto simile al radar, oltre al fatto che utilizza la delicatezza invece del suono. Ogni ping del lidar crea una certa misura salvata nella reminiscenza del robot. Il lavoro precedente dell’equipaggio ha mirato all’etichettatura di questi fattori in base principalmente alle loro proprietà dinamiche. Questo aiuta il robot a riconoscere vari tipi di oggetti all’interno del suo ambiente.

La comunità SOGM dell’equipaggio è attualmente in grado di riconoscere 4 classi di livello lidar: la parte inferiore; infissi eterni, corrispondenti a tramezzi; questioni mobili ma immobili, corrispondenti a sedie e tavoli; e ostacoli dinamici, corrispondenti agli individui. Non è richiesta alcuna etichettatura umana delle informazioni.

“Con questo lavoro, speriamo di consentire ai robot di navigare per mezzo di aree interne affollate in un metodo più socialmente consapevole”, afferma Barfoot. “Predicendo il luogo in cui andranno gli individui e i diversi oggetti, siamo in grado di pianificare percorsi che anticipano ciò che faranno le parti dinamiche”.

All’interno del documento, l’equipaggio studia i risultati redditizi dell’algoritmo eseguito nella simulazione. Il problema successivo è indicare la relativa efficienza negli ambienti del mondo reale, il luogo in cui le azioni umane saranno difficili da prevedere. Come parte di questo sforzo, l’equipaggio ha esaminato il loro progetto sul terreno principale di U of T’s Myhal Middle for Engineering Innovation & Entrepreneurship, il luogo in cui la robotica era in grado di trasferire i precedenti studenti universitari impegnati.







Punteggio di credito: College di Toronto

“Una volta che sperimentiamo la simulazione, abbiamo broker che sono codificati per una condotta sicura e andranno a un certo livello seguendo la traiettoria migliore per arrivarci”, afferma Thomas. “Tuttavia, non è quello che fanno gli individui nella vita reale”.

Quando le persone si trasferiscono per mezzo di aree, possono affrettarsi o smettere bruscamente di parlare con un’altra persona o cambiare direzione. Per far fronte a questo tipo di condotta, la comunità utilizza un approccio di studio automatico denominato studio autocontrollato.

Lo studio autocontrollato contrasta con il diverso , corrispondente allo studio rafforzato, il luogo in cui l’algoritmo impara a svolgere un’attività massimizzando una nozione di ricompensa in un metodo per tentativi ed errori. Sebbene questa strategia funzioni efficacemente per alcuni compiti, ad esempio un computer che studia per praticare uno sport corrispondente agli scacchi o al Go, non è la cosa migliore per questo tipo di navigazione.

“Insieme a , crei un campo nero che rende oscura la connessione tra l’ingresso, ciò che vede il robot, e l’uscita, o fa il robot”, afferma Thomas. “Potrebbe inoltre richiedere che il robotico fallisca molti casi prima di apprendere le chiamate corrette e non avevamo bisogno del nostro robotico per studiare andando a sbattere contro gli individui”.

Al contrario, lo studio autocontrollato è facile e comprensibile, il che significa che è più semplice vedere come la robotica sta facendo le sue scelte. Questa strategia può anche essere moderatamente incentrata sul punto piuttosto che sull’oggetto, il che suggerisce che la comunità ha una migliore interpretazione della conoscenza del sensore crudo, consentendo previsioni multimodali.

“Molte strategie convenzionali rilevano gli individui come oggetti personali particolari e creano traiettorie per loro. Tuttavia, poiché il nostro manichino è incentrato sul punto, il nostro algoritmo non quantifica gli individui come oggetti di una persona particolare, tuttavia riconosce le aree in cui devono essere gli individui. E se hai un gruppo più numeroso di individui, il regno diventerà più grande”, afferma Thomas.

“Questa analisi offre un percorso promettente che avrebbe implicazioni costruttive in aree corrispondenti alla guida autonoma e alla fornitura robotica, il luogo in cui un’ambientazione non è del tutto prevedibile”.

Prima o poi, la troupe desidera vedere se amplierà la propria comunità per studiare spunti più delicati dalle parti dinamiche di una scena.

“Questo può richiedere molte più conoscenze di coaching”, afferma Barfoot. “Ma sicuramente deve essere fattibile perché ci siamo prefissati di generare le informazioni in un metodo computerizzato aggiuntivo: il luogo in cui il robotico può raccogliere conoscenze extra durante la navigazione, praticare mode predittive più elevate quando non è in funzione, dopodiché usa queste la volta successiva naviga in un’area.


Un modello per migliorare la capacità dei robot di consegnare oggetti agli esseri umani


Informazioni extra:

Hugues Thomas, Matthieu Gallet de Saint Aurin, Jian Zhang, Timothy D. Barfoot, Studiare le mappe della griglia di occupazione spaziotemporale per la navigazione permanente in scene dinamiche. arXiv:2108.10585v2 [cs.RO], doi.org/10.48550/arXiv.2108.10585

Quotazione:
I ricercatori progettano robot “socialmente consapevoli” che possono anticipare e tenersi lontani dagli individui durante il trasferimento (2022, 18 maggio)
recuperato il 19 maggio 2022
da https://techxplore.com/information/2022-05-socially-aware-robots-safely-people.html

Questo documento è soggetto a copyright. A parte ogni onesto trattamento a fini di esame o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per funzioni informative.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending