機器人學前班助力機器人簡單快速學習，給予強化學習的自動駕駛策略 | 一周AI學術(shù)

大數(shù)據(jù)文摘專欄作品

作者：Christopher Dossman

編譯：fuma、Jiaxu、云舟

嗚啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly欄目又和大家見面啦！

AI Scholar Weekly是AI領域的學術(shù)專欄，致力于為你帶來最新潮、最全面、最深度的AI學術(shù)概覽，一網(wǎng)打盡每周AI學術(shù)的前沿資訊。

周一更新，做AI科研，每周從這一篇開始就夠啦！

本周關鍵詞：自動駕駛、智能機器人、GANs

機器人學前班

機器人需要以直觀和實用的方式學習操作，以便在現(xiàn)實環(huán)境中更成功地部署。為此，研究人員訓練了ResNet的一個變體，將手眼相機圖像映射到末端效應器速度。

在他們的方法中，人類教師通過操縱桿向機器人演示簡單的服務型任務，并在一個小時內(nèi)進行數(shù)據(jù)收集，訓練和部署。

本文的貢獻是一種數(shù)據(jù)有效的實用方法，可以在很短的時間內(nèi)教授機器人新行為。這些都表明機器人可以通過實際演示快速學習簡單的任務。此外，該技術(shù)可用于學習數(shù)據(jù)低效強化學習的快速策略。

原文：

https://arxiv.org/abs/1905.09025

基于強化學習的高速公路自動駕駛汽車行駛策略

研究人員首次在基于強化學習的實時自動駕駛策略中為在高速公路上行駛的車輛做出了貢獻。這一策略通過部署Double Deep Q-Network實現(xiàn)，并且能夠引導在高速公路上行駛的自動駕駛汽車。

此外，該策略還能夠通過巧妙設計的目標函數(shù)來考慮乘客的舒適度。最終，該策略使得汽車產(chǎn)生了一條無碰撞軌跡，自動駕駛汽車將以所需速度向前移動，同時最小化其縱向和橫向加速度。

自動駕駛工程師在考慮交通密度和安全等多個角度的情況下制定除了可行的路徑規(guī)劃策略，這是一個很大的成功。

這項工作是學者們嘗試針對無限制高速公路制定強化學習策略的第一次嘗試。并為軌跡路徑規(guī)劃問題提供了很多見解。該工作還使用了已建立的SUMO微觀交通模擬器研究新強化學習策略的泛化能力和穩(wěn)定性。

再計算成本上，動作的產(chǎn)生需要的計算成本顯著降低，并能夠推廣到以前看不見的駕駛情況。遺憾的是，目前該策略還不能保證產(chǎn)生無碰撞的軌跡。

https://arxiv.org/abs/1905.09046

在自動駕駛汽車中實現(xiàn)安全感知軟件

到目前為止，還沒有關于安全感知AV（Autonomous Vehicles）計算系統(tǒng)和架構(gòu)設計的明確指南。這促使了研究人員進行實地研究，包括各個地區(qū)的自動駕駛車隊，道路狀況和交通模式。根據(jù)研究，傳統(tǒng)的計算系統(tǒng)性能指標不能完全滿足AV計算系統(tǒng)設計的安全要求。 相反，他們建議使用“安全評分”作為衡量AV計算系統(tǒng)設計安全水平的主要指標。他們還提出了感知延遲模型，以幫助架構(gòu)師估計給定架構(gòu)和系統(tǒng)設計的安全分數(shù)，而無需在AV中對其進行物理測試。

本文的貢獻是提出了安全感知AV計算系統(tǒng)設計的安全評分和感知延遲模型。它詳細闡述了AV計算系統(tǒng)的詳細設計和工作負載，并討論了安全感知的AV系統(tǒng)設計含義。由于自動駕駛汽車在通過道路自由行駛之前還有很長的路要走，因此本文的工作只是安全感知視聽系統(tǒng)設計研究的起點。這是一個呼吁人工智能研究人員和工程師隨著領域的進步繼續(xù)改進它的優(yōu)秀工作。

https://arxiv.org/abs/1905.08453

利用領域自適應彌補合成和實際點云數(shù)據(jù)的差異

研究人員提出了一種基于深度學習的生成對抗網(wǎng)絡(GANs)領域自適應方法，通過3D 光學雷達傳感器獲取實際點云數(shù)據(jù)以協(xié)助車輛檢測。該框架基于循環(huán)一致的生成對抗網(wǎng)絡(CycleGAN)架構(gòu)。

在真實鳥瞰圖(BEV)點云圖像中的車輛檢測任務上，該框架取得了有競爭力的結(jié)果。 在真實鳥瞰點云圖像上進行測試時，該框架比其他基線方法提高了超過七個百分點 。

經(jīng)過訓練的模型獲得了64.29％的準確率，從而顯示了這一領域自適應方法在真實鳥瞰點云圖像中的車輛檢測任務上的有效性。 該框架的實施可以發(fā)展目標檢測的最新技術(shù)。

https://arxiv.org/abs/1905.08955

通過實際照片創(chuàng)造個性化的頭部對話模型

研究人員提出了一種用于對抗生成模型元學習的框架，該框架能夠以深度生成器網(wǎng)絡的形式訓練高度逼真的虛擬對話頭像。 該框架僅通過少量照片即可創(chuàng)建一個新的模型。

在32幅圖像上訓練的模型達到了完美的真實感和個性化評分。 新算法能夠基于個人修改生成器和判別器的參數(shù)，從而僅使用少量圖像快速完成訓練。

本文提出的框架能夠?qū)W習高度逼真和個性化的對話頭像。通過在大規(guī)模視頻數(shù)據(jù)集上執(zhí)行長時間的元學習，該方法能夠?qū)⒛吧四槍υ掝^像模型的小樣本學習作為高容量生成器和判別器的對抗訓練問題。

該方法可用于增強和實現(xiàn)人機交互、自然語言處理和自動對話系統(tǒng)，能夠在視頻序列中合成合理的對話。

它還具有在網(wǎng)真(telepresence)領域的實際應用，包括視頻會議和多人游戲以及特效行業(yè)。

原文：

https://arxiv.org/pdf/1905.08233.pdf

通過視覺，激光雷達和GPS / IMU定位的全新物體檢測和跟蹤系統(tǒng) 。

https://arxiv.org/abs/1905.08758

使用Range-Image U-Net實現(xiàn)3D激光雷達點云的簡單準確語義分割。

https://arxiv.org/abs/1905.08748

通過研究性學習和競賽幫助學生逐步實施機器人項目。

https://arxiv.org/ftp/arxiv/papers/1905/1905.07644.pdf

一種用于將重疊的腦組織數(shù)據(jù)數(shù)字化分層的成像模型 。

https://arxiv.org/abs/1905.09231

一種自動生成突出顯示的大腦結(jié)構(gòu)圖像的軟件。

https://arxiv.org/abs/1905.08627

比GPU更快的新型可編程芯片可以解決最棘手的優(yōu)化問題。

https://spectrum.ieee.org/tech-talk/semiconductors/processors/georgia-tech-optimization-chip-solves-huge-class-of-hard-problems

數(shù)據(jù)科學家的需求水漲船高。

https://www.forbes.com/sites/intelai/2019/05/22/ai-strategy-6-trends-changing-the-role-of-data-scientists/#2b5594565d5e

公司希望利用人工智能，但缺乏技能以協(xié)助執(zhí)行人工智能策略。

https://www.artificialintelligence-news.com/2019/05/21/93-of-firms-committed-to-ai-but-skills-shortage-posing-problems/