- Адаптивное критичное для безопасности управление с оценкой неопределенности для совместной работы человека и робота (arXiv)
Автор: Дяньхао Чжан, Миен Ван, Стивен Маклванна, Ючжу Сун, Шон МакЛун.
Аннотация: В передовом производстве требуются строгие гарантии безопасности, чтобы люди и роботы могли работать вместе в общем рабочем пространстве. Одной из проблем в этой области применения является разнообразие и непредсказуемость человеческого поведения, что приводит к потенциальным опасностям для сотрудников-людей. В этой статье представлена новая структура управления, использующая критическое для безопасности управление и оценку неопределенности для взаимодействия человека и робота. Кроме того, для выбора кратчайшего пути во время совместной работы представлен новый метод квадратичного штрафа. Инновация предлагаемого подхода заключается в том, что предлагаемый контроллер не позволит роботу нарушить какие-либо ограничения безопасности даже в тех случаях, когда люди случайно перемещаются в задаче совместной работы. Это реализуется комбинацией изменяющейся во времени интегральной барьерной функции Ляпунова (TVIBLF) и адаптивной экспоненциальной барьерной функции управления (AECBF) для достижения гибкого переключения режимов между отслеживанием пути и предотвращением столкновений с гарантированной стабильностью замкнутой системы. Эффективность нашего подхода продемонстрирована в исследованиях моделирования робота-манипулятора с 7 степенями свободы. Кроме того, предоставляется сравнение между задачами, включающими статические и динамические цели.
2. Оценка неопределенности в глубоком обучении для паноптической сегментации (arXiv)
Автор: Майкл Смит, Фрэнк Ферри.
Аннотация. По мере того как алгоритмы компьютерного зрения на основе глубокого обучения продолжают совершенствоваться и продвигаться вперед, их устойчивость к реальным данным продолжает отставать от их производительности в наборах данных. Это затрудняет перенос алгоритма из лаборатории в реальный мир. Подходы к оценке неопределенности на основе ансамбля, такие как отсев Монте-Карло, успешно использовались во многих приложениях в попытке решить эту проблему устойчивости. К сожалению, не всегда ясно, применимы ли такие ансамблевые подходы к новой предметной области. Так обстоит дело с паноптической сегментацией, где структура проблемы и архитектуры, предназначенные для ее решения, означают, что, в отличие от классификации изображений или даже семантической сегментации, типичное решение с использованием среднего значения по выборкам не может быть применено напрямую. В этой статье мы демонстрируем, как подходы к оценке неопределенности на основе ансамбля, такие как отсев Монте-Карло, могут использоваться в области паноптической сегментации без внесения изменений в существующую сеть, обеспечивая как улучшенную производительность, так и, что более важно, лучшую меру неопределенности для прогнозов, сделанных сеть. Результаты демонстрируются количественно и качественно на наборах данных COCO, KITTI-STEP и VIPER.
