用于机器人地形分类的半监督门控循环神经网络
机器人学
2020-11-25 v1 人工智能
摘要
腿式机器人因可采用多种多样的 locomotion 策略，而成为在挑战性地形中执行任务的流行候选者。地形分类是自主腿式机器人的一项关键使能技术，因为它使机器人能够利用其固有的灵活性来调整自身行为以适应操作环境的需求。本文中，我们展示了高性能机器学习技术，即门控循环神经网络，如何使我们的目标腿式机器人以有监督和半监督方式正确分类其所遍历的地形。在基准数据集上的测试表明，我们的时域分类器能够很好地处理原始变长数据且只需少量标签，其性能远超频域分类器。在我们自己扩展数据集上的分类结果开启了一系列针对那些环境的高性能行为。此外，我们展示了如何利用原始无标签数据在半监督模型中显著改善分类结果。
引用
@article{arxiv.2011.11913,
title = {Semi-supervised Gated Recurrent Neural Networks for Robotic Terrain Classification},
author = {Ahmadreza Ahmadi and Tønnes Nygaard and Navinda Kottege and David Howard and Nicolas Hudson},
journal= {arXiv preprint arXiv:2011.11913},
year = {2020}
}
备注
8 pages, 6 figures