迈向液体的感知与推理学习
机器人学
2016-08-03 v1 计算机视觉与模式识别
摘要
人工智能和机器人技术的最新进展凭借深度学习取得了许多令人瞩目的成果，然而迄今为止尚无工作将深度学习应用于液体感知和推理问题。在本文中，我们将全卷积深度神经网络应用于液体的检测与跟踪任务。我们评估了三种模型：单帧网络、多帧网络和 LSTM 循环网络。结果表明，当聚合多帧数据时可获得最佳的液体检测结果，且 LSTM 网络在这两项任务中均优于其他两种网络。这表明基于 LSTM 的神经网络有望成为使机器人能够利用鲁棒的闭环控制器处理液体的关键组件。
引用
@article{arxiv.1608.00887,
title = {Towards Learning to Perceive and Reason About Liquids},
author = {Connor Schenck and Dieter Fox},
journal= {arXiv preprint arXiv:1608.00887},
year = {2016}
}
备注
Published in International Symposium on Experimental Robotics (ISER) 2016. arXiv admin note: text overlap with arXiv:1606.06266