【AI视野·今日Robot 机器人论文速览 第十八期】Fri, 2 Jul 2021
AI视野·今日CS.Robotics 机器人学论文速览Fri, 2 Jul 2021Totally 26 papers????上期速览✈更多精彩请移步主页Daily Robotics PapersLearning to See before Learning to Act: Visual Pre-training for ManipulationAuthors Lin Yen Chen, Andy
·
AI视野·今日CS.Robotics 机器人学论文速览
Fri, 2 Jul 2021
Totally 26 papers
👉上期速览✈更多精彩请移步主页
Daily Robotics Papers
| Learning to See before Learning to Act: Visual Pre-training for Manipulation Authors Lin Yen Chen, Andy Zeng, Shuran Song, Phillip Isola, Tsung Yi Lin 有视觉前导者尤其如此。检测对象的能力促进学习以执行基于视觉的操纵。拾取对象我们在转移学习框架下研究这个问题，其中模型首先在被动视觉任务上培训，并适合执行活动操作任务。我们发现关于愿景任务的预培训显着提高了学习操纵物体的泛化和采样效率。但是，实现这些收益需要仔细选择模型的哪些部分转移。我们的关键洞察力是标准视觉模型的输出与常用于操纵中的可供性地图高度相关。因此，我们探讨从视觉网络直接转移模型参数到可提供的预测网络，并显示这可能导致成功的零拍摄适应，其中机器人可以拾取具有零机器人体验的某些对象。只需少量的机器人体验，我们就可以进一步微调带来的能力模型以获得更好的结果。只需10分钟的吸入体验或1小时的抓取体验，我们的方法在拾取新物品时实现了80个成功率。 |
| Design, Modelling and Control of SPIROS: The Six Propellers and Intermeshing Rotors Based Omnidirectional Spherical Robot Authors Yogesh Phalak 自过去的几十年以来，已经为球形机器人SRS开发了几种设计和控制方法，并在广义3D地形上进行了彻底分析的力学。但是垂直运动和陡峭的倾斜机动一直是现有的SR S驱动机制的未解决问题。而且，风力或空气推进SRS的可能性尚未完全探索。本文介绍了名为Spiros六个螺旋桨和基于啮合的转子的全向球机的新的全向球形机器人机制。螺旋由六个啮合的旋转空气推进器的新型八面体布置驱动，置于Goldberg多面体球形球形栅格。所提出的设计的优点在于其空气动力推进，这改善了避免避免和坡攀爬能力。机器人的动态模型是使用连续滚动球形机器人CR SR的现有运动模型来源的，使用子类别，三轴滚动3R SR，双轴滚动2R SR和滚动和转动RT SR球形机器人。提出了一种基于纯追踪算法的路径跟踪控制方案。模拟在Matlab和Simulink中进行，以验证开发的模型和所提出的控制方案的有效性。 |
| Offline-to-Online Reinforcement Learning via Balanced Replay and Pessimistic Q-Ensemble Authors Seunghyun Lee, Younggyo Seo, Kimin Lee, Pieter Abbeel, Jinwoo Shin 深度离线强化学习RL的最新进步使得可以从离线数据集中培训强大的机器人代理。然而，根据培训的药剂的质量和所考虑的申请，通常希望通过进一步的在线交互进行微调这些药剂。在本文中，我们观察到，状态行动分发移位可能导致微调期间严重的引导错误，这会破坏通过离线RL获得的良好初始策略。为了解决这个问题，我们首先提出了一个平衡的重播方案，优先考虑在线遇到的样本，同时鼓励在离线数据集中使用附近的临时政策样本。此外，我们利用多个Q函数训练悲观地离线，从而防止在初始训练阶段在新颖状态下的陌生行为过多。我们表明，该方法提高了各种运动和操纵任务的微调机器人代理的样品效率和最终性能。我们的代码可供选择 |
| Improving Human Motion Prediction Through Continual Learning Authors Mohammad Samin Yasar, Tariq Iqbal 人体运动预测是用于实现更紧密的人体机器人协作的重要组成部分。准确预测人类运动的任务是非微不足道的。由于人类的尺寸和由于个体运动的特质，因此由于人类的尺寸和运动水平而导致的人类运动的可变性，这两者都是混合的。这些变量使得获得学习算法的挑战，以获得对人类运动的多样性时空模式鲁棒的一般表示。在这项工作中，我们提出了一种模块化序列学习方法，允许结束结束训练，同时也具有微调的灵活性。我们的方法依赖于培训样本的多样性首先学习强大的表示，然后可以在不断的学习设置中进行微调，以预测新对象的运动。我们通过比较其对现有领域的状态的绩效来评估所提出的方法。结果表明，我们的方法在所有评估的时间视野中使用少量数据来优于所有评估的时间视野。我们方法的改进性能开辟了使用不断学习的个性化和可靠的运动预测的可能性。 |
| TransSC: Transformer-based Shape Completion for Grasp Evaluation Authors Wenkai Chen, Hongzhuo Liang, Zhaopeng Chen, Fuchun Sun, Jianwei Zhang 目前，基于稀疏部分点云的机器人抓握方法已经达到了各种物体的良好掌握性能，而由于对象上缺少几何信息，它们通常会产生错误的掌握候选。在这项工作中，我们提出了一种新颖且坚固的形状完成模型Transc。该模型具有基于变压器的编码器，用于探索更多点明智的特征和基于歧管的解码器，以利用作为输入的部分点云来利用更多对象细节。 |
| Test Framework for a Virtual Competition Testbed Authors Liam Wellacott, Emilyann Nault, Ioannis Skottis, Alexandre Colle, Shreyank N Gowda, Pierre Nicolay, Emily Rolley Parnell 虚拟环境已在机器人研究中使用，作为在部署在现场部署之前进行评估系统的工具。 Covid 19大流行为虚拟基准开发提供了额外的动机，以帮助安全和生产性的发展。在人员机器人学中，比赛也停止了，从而限制了学生和研究人员的机会范围。我们实施了服务机器人竞赛的结构，进入可扩展和适应性的虚拟评分环境。竞争通过展示机器人的现实家庭任务来完成本地服务机器人的艺术状态挑战。虚拟环境为竞争团队提供基础，以在访问物理环境时评估其系统是不可能的。我们认为利用虚拟环境作为评估手段将导致其他福利，例如增加的访问和泛化。 |
| PlanSys2: A Planning System Framework for ROS2 Authors Francisco Mart n, Jonatan Gin s, Vicente Matell n, Francisco J. Rodr guez 自治机器人需要规划他们执行的任务以实现任务。任务越来越复杂不让人类设计师预测所有可能的情况，因此基于国家机器的传统控制系统还不够。本文包含罗斯2规划系统计划的描述简而言之，符号规划的框架，包括在苛刻环境中工作的机器人执行新方法。计划2旨在成为ROS2中的参考任务规划框架，是机器人软件开发中的最新版本的最新版本。在其主要特征中，它可以通过新的动作拍卖协议及其多机器人规划能力来突出显示基于行为树的优化执行。它已经有一个小但不断增长的用户和开发人员社区，而且本文件是该项目的设计和能力的摘要。 |
| Model Mediated Teleoperation with a Hand-Arm Exoskeleton in Long Time Delays Using Reinforcement Learning Authors Hadi Beik Mohammadi, Matthias Kerzel, Benedikt Pleintinger, Thomas Hulin, Philipp Reisich, Annika Schmidt, Aaron Pereira, Stefan Wermter, Neal Y. Lii Telerobotic系统必须适应新的环境条件，并处理长期延迟造成的高不确定性。作为人类级别智能的最佳替代方案之一，加强学习RL可能会提供应对这些问题的解决方案。本文建议将RL与模型介导的遥操作MMT概念集成。 Teleoplerator与模拟虚拟环境相互作用，提供即时反馈。虽然来自真实环境的反馈被延迟，但模型的反馈是即时的，导致透明度高。 MMT与具有两层的智能系统结合实现。第一层利用动态移动原语DMP，该DMP占据了化身环境的某些变化。并且，第二层使用R1方法解决了模型中不确定性引起的问题。还提供了增强现实来融合The Texoperator的化身设备和虚拟环境模型。在DLR S Exodex ADAM手臂触摸腹臂上实现，结果显示RL方法能够在演示后对物体位置应用于对象位置时找到不同的解决方案。结果还显示DMPS有效适应没有所涉及不确定性的新条件。 |
| Stability and Robustness Analysis of Plug-Pulling using an Aerial Manipulator Authors Jeonghyun Byun, Dongjae Lee, Hoseong Seo, Inkyu Jang, Jeongjun Choi, H. Jin Kim 在本文中，进行了一种自动空中的空中操作任务，可以通过突然消失的大相互作用力，保持稳定性和鲁棒性的稳定性和鲁棒性。在插头分离之前和之后动态模型的突然变化会导致失稳或失败。为了完成空中插头拉动，我们采用混合自动机的概念将任务分为三种操作模式，即线，拉动，稳定和自由飞行。而且，介绍了一种轨迹生成策略和每个操作模式的基于干扰观察者的控制器的设计。此外，混合自动机的理论用于在模式过渡期间证明稳定性和鲁棒性。我们通过用基于多电机的空中机械手来验证所提出的轨迹生成和控制方法。 |
| Policy Transfer across Visual and Dynamics Domain Gaps via Iterative Grounding Authors Grace Zhang, Linghan Zhong, Youngwoon Lee, Joseph J. Lim 将政策从一个环境转移到另一个环境的能力是有效的大道，以有效的机器人学习在现实环境中，任务监督不可用。这可以让我们利用适合培训的环境，例如模拟器或实验室，以学习房屋或办公室的真正机器人的政策。为了成功，这种策略转移必须克服视域间隙，例如不同的照明或背景和动态域间隙例如源和目标环境之间的不同机器人校准或建模错误。但是，先前的策略转移方法要么无法处理大型域间隙，或者一次只能解决一种类型的域间隙。在本文中，我们提出了一种具有迭代环境接地，IDAPT的新型策略转移方法，它通过在目标环境域中的源环境接地到接地源中的源环境来直接最小化视觉和动态域间隙之间的交替。环境。此迭代培训逐步对齐两个环境之间的域并使策略适应目标环境。一旦培训，策略可以直接在目标环境上执行。机器人和机器人操纵任务的经验结果表明，我们的方法可以通过最小的监督和与目标环境的互动，有效地转移跨视觉和动态域间隙的政策。视频和代码可用 |
| Robotic Template Library Authors Ales Jelinek, Adam Ligocki, Ludek Zalud 机器人模板库RTL是一组用于处理几何和点云处理的工具，尤其是机器人应用程序。软件包涵盖了诸如向量，线段，四季度，刚性转换等的基本对象，然而，其主要贡献在于更高级的模块，用于点云的分割模块，快速矢量化模块用于近似的快速矢量化模块高级几何对象的连续点云和乳胶出口模块，实现了高质量的可视输出的自动生成。它仅是在C 17中编写的图书馆，使用EIGEN库作为线性代数后端，并考虑到具有高计算性能的设计。 RTL可以用于所有机器人任务，如运动规划，地图建筑，对象识别等以及许多其他机器人，但是点云处理实用程序通常足以用于任何现场触摸对象重建和计算机视觉应用程序。 |
| Adaptive Hyperparameter Tuning for Black-box LiDAR Odometry Authors Kenji Koide, Masashi Yokozuka, Shuji Oishi, Atsuhiko Banno 本研究提出了一种自适应数据驱动的黑盒3D激光仪算法调整框架。所提出的框架包括离线参数错误功能建模和在线自适应参数选择。在离线步骤中，我们运行用于调整不同参数和环境的内径估计算法，评估估计轨迹的准确性，以构建预测给定参数和环境的轨迹估计误差的代理函数。随后，我们选择预期的参数集，该参数集基于使用代理函数的轨迹误差预测在给定环境中产生良好的精度。所提出的框架不需要有关要调整算法的内部工作的详细信息，并通过自适应优化参数集来提高其准确性。我们首先展示所提出的框架在利用仿真的玩具示例中提高不同环境的内径估计准确性的作用。此外，对公共数据集Kitti的评估表明，所提出的框架可以提高实际情况中几种内径估计算法的准确性。 |
| Binary Neural Network in Robotic Manipulation: Flexible Object Manipulation for Humanoid Robot Using Partially Binarized Auto-Encoder on FPGA Authors Satoshi Ohara, Tetsuya Ogata, Hiromitsu Awano 提出了一种用于FPGA上的人形机器人的基于神经网络的灵活物体操纵系统。虽然使用机器人的灵活物体的操纵吸引了越来越多的关注，因为这些任务是我们日常生活中的基本和基本活动，但最近借助深度神经网络的帮助。然而，这种系统依赖于GPU加速器，其不能被实施到空间有限的机器人身体中。尽管已知现场可编程门阵列FPGA是节能且适用于嵌入式系统，但是由于FPGA对芯片存储器有限，因此模型大小应大大降低。为此，我们提出了部分二金属化的深度卷积自动编码器技术，其中仅编码器部分被二值化以压缩模型大小而不会降低推理精度。在Xilinx ZCU102上实现的模型实现了每秒的41.1帧，功耗为3.1W，AWAno，其对应于核心I7 6700K和RTX 2080 Ti的系统的10x和3.7x改进。 |
| Social Coordination and Altruism in Autonomous Driving Authors Behrad Toghi, Rodolfo Valiente, Dorsa Sadigh, Ramtin Pedarsani, Yaser P. Fallah 尽管自主驾驶领域的跨利赛，但自主车辆AVS仍然低效，并且在彼此合作或与人类操作的车辆协调的方面仍然低效和有限。一组自主和人类驱动的车辆HVS，共同优化利他主义的社会公用事业，而不是自我的个人实用能力可以在路上无缝化和保证安全和效率。在没有经理之间没有明确的协调，实现这一使命是挑战。此外，混合自主环境中的人类存在的存在，创造社会困境，因为他们已知在社会偏好中是异构的，并且他们的行为是难以预测的。正式，我们模拟了混合自主流量的AV S操纵计划，作为部分可观察的随机游戏，并试图派生使用我们的多代理强化学习框架导致社会所需的结果的最佳政策。我们介绍了AVS社会价值取向的定量表示，并设计了一个分布式奖励结构，诱导利他主义进入其决策过程。我们训练的利他主义AVS能够形成联盟，引导流量，并影响HVS的行为来处理冲突和竞争的驾驶场景。作为一个案例研究，我们将自由主义的AVS与我们在高速公路合并案例研究中的利他主义自治代理进行比较，并展示了成功合并数量以及整体交通流量和安全性的重大改善。 |
| Adaptive Control for Robotic Manipulation of Deformable Linear Objects with Offline and Online Learning of Unknown Models Authors Mingrui Yu, Hanzhong Zhong, Fangxun Zhong, Xiang Li 可变形的线性物体DLOS在工业和家庭应用中是常见的，例如电线，电缆，绳索。由于其高度可变形的性质，机器人难以在DLOS上再现人类的人类的灵巧技能。在本文中，在离线和在线方式估计未知变形模型。离线学习旨在在操纵任务之前提供良好的近似，而在线学习旨在补偿由于培训不足而衡量的错误。离线阶段的有限数据集。脱机模块通过构建一系列监督的神经网络NNS，然后在线模块直接接收学习结果，并进一步利用自适应NN的技术更新。还提出了一种新的自适应控制器，以允许机器人在在线阶段同时执行操纵任务。利用Lyapunov方法严格证明了闭环系统的稳定性和任务误差的收敛性。提出了仿真研究以说明所提出的方法的性能。 |
| SQRP: Sensing Quality-aware Robot Programming System for Non-expert Programmers Authors Yi Hsuan Hsieh, Pei Chi Huang, Aloysius K Mok 机器人编程通常利用机器学习获得的一组机械技能。由于通常没有保证机器学习产生无令人惊讶的行为的机器人程序，因此机器人程序的安全执行必须利用监视模块，该模块实时将传感器数据接收为输入，以确保技能执行的正确性。由于传感器和监测算法通常受到物理限制并且有效的机器人编程对技能参数的选择敏感，这些考虑可能导致不同的传感器输入质量，例如vision系统的视图覆盖范围确定是否可以在执行任务时成功部署技能。选择不当技能参数可能导致监控模块延迟或错过检测的重要事件，例如机械故障。这些故障可能会降低机器人制造中的吞吐量，甚至可能导致破坏性系统崩溃。为了解决上述问题，我们提出了一种感应质量意识的机器人编程系统，它根据机器人环境自动计算传感素质，并使用该信息指导非专家用户在编程阶段中选择适当的技能参数。我们在6DoF机器人手臂上展示了我们的系统框架，用于对象拾取任务。 |
| Stabilizing Deep Q-Learning with ConvNets and Vision Transformers under Data Augmentation Authors Nicklas Hansen, Hao Su, Xiaolong Wang 虽然由加固学习RL接受训练的代理商可以直接解决视觉观测的日益挑战性的任务，但概括到新颖环境的学习技能仍然非常具有挑战性。大量使用数据增强是一种有助于改善RL的概括的有希望的技术，但通常发现它可以降低样品效率，甚至可以导致发散。在本文中，我们调查在常见的策略RL算法中使用数据增强时的不稳定原因。我们识别两个问题，均植根于高方差Q目标。基于我们的研究结果，我们提出了一种简单但有效的技术，可在增强下稳定这类算法。我们在基于深度控制套件的基准系列以及机器人操纵任务中使用两种基准系列对基于图像的RL进行广泛的实证评估。我们的方法大大提高了增强下呼应集的稳定性和样本效率，并实现了基于图像的RL的现有方法的竞争力的普遍性结果。我们进一步表明，我们的方法与基于VITV的架构的RL缩放，并且数据增强在此设置中可能尤为重要。 |
| Goal-Conditioned Reinforcement Learning with Imagined Subgoals Authors Elliot Chane Sane, Cordelia Schmid, Ivan Laptev 目标有条件的加固学习赋予了各种各样的技能的代理商，但它往往努力解决需要更为延长推理的任务。在这项工作中，我们建议将想象的子公司纳入政策学习，以便于学习复杂任务。想象的子公司是通过单独的高级政策预测的，该政策与政策和批评者同时培训。使用Value功能作为可达性度量，此高级策略中间状态预测到目标中的中间状态。我们不要求政策明确地达到这些子位地说。相反，我们使用它们来定义先前的策略，并在KL受约束的策略迭代方案之前将此纳入以加速和正规化学习。想象的子站在策略学习期间使用，但在测试时间内没有，我们只应用了学习的政策。我们在复杂的机器人导航和操纵任务中评估我们的方法，并表明它优于现有方法，通过大边距。 |
| SSC: Semantic Scan Context for Large-Scale Place Recognition Authors Lin Li, Xin Kong, Xiangrui Zhao, Tianxin Huang, Yong Liu 地点识别给出了SLAM系统，该系统能够纠正累积误差。与包含丰富纹理特征的图像不同，点云几乎是纯粹的几何信息，它基于点云具有挑战性地进行地点识别。现有的作品通常编码低级别功能，例如坐标，正常，反射强度等，作为本地或全局描述符以表示场景。此外，它们通常在匹配描述符时忽略点云之间的翻译。与大多数现有方法不同，我们探索使用高级功能，即语义，提高描述符的S表示能力。此外，当匹配描述符时，我们尝试纠正点云之间的转换以提高准确性。具体地，我们提出了一种新颖的全局描述符，语义扫描上下文，其探讨了语义信息，以更有效地表示场景。我们还呈现了一个两个步骤全局语义ICP，以获得3D构成x，y，用于对齐点云以提高匹配性能。我们在基提数据集上的实验表明，我们的方法优于具有大边距的现有技术的状态。我们的代码可供选择 |
| A Consistency-Based Loss for Deep Odometry Through Uncertainty Propagation Authors Hamed Damirchi, Rooholla Khorrambakht, Hamid D. Taghirad, Behzad Moshiri 通过测距计算的增量姿势可以随着时间的推移而集成，以计算关于初始位置的设备的姿势。由此产生的全局姿势可用于在深径管设置中配制基于第二，一致性的，损耗术语。在这种情况下，在网络上施加多个损耗的情况下，可以导出每个输出的不确定性以在最大似然设置中称重不同的损耗术语。然而，当对集成变换施加约束时，由于在算法的每次迭代中估计了OCOMORERY的估计数量，没有关于与全球姿势相关的不确定性的信息，以称量全局丢失项。在本文中，我们将不确定性与深度内径网络的输出姿势相关联，并通过每次迭代传播不确定性。我们的目标是在每个增量步骤中使用估计的协方差矩阵，以在相应的步骤中称重损耗，同时使用复合的不确定性加权全局损耗术语。该配方提供了一种自适应方法来称量增量和综合损耗条款，并指出新估计到达的不确定性的增加。我们提供对姿势估计的定量和定性分析，并表明我们的方法超越了艺术视觉内径术的状态的准确性。然后，评估不确定性估计，并提供针对固定基线的比较。最后，在一个现实例子中使用不确定性值以显示定位不确定量化的有效性。 |
| MASS: Multi-Attentional Semantic Segmentation of LiDAR Data for Dense Top-View Understanding Authors Kunyu Peng, Juncong Fei, Kailun Yang, Alina Roitberg, Jiaming Zhang, Frank Bieder, Philipp Heidenreich, Christoph Stiller, Rainer Stiefelhagen 在所有自动化驾驶系统的核心中，能够感知周围环境，例如，通过激光序列的语义分割，这导致了由于Semantickitti和Nuscenes LidareG等大型数据集的释放而产生了显着进展。虽然最先前的工作重点关注LIDAR输入的稀疏分割，但密集的输出面罩提供具有几乎完整环境信息的自动驾驶汽车。在本文中，我们引入了专门为密集的顶视图理解驾驶场景而专门构建的多重注意力分割模型。我们的框架在柱子和占用功能上运行，包括三个基于的构建块1一个关键点驱动的图表注意，2基于LSTM的注意力从空间输入的矢量嵌入，3个基于支柱的注意力，导致360度分割面具。在Semantickitti和Nuscenes Lid索格上进行了广泛的实验，我们定量展示了我们模型的有效性，优于19.0在Semantickitti 19.0上的艺术状态，并在Nuscenes Lidarseg上达到32.7，其中质量是解决密集分割任务的第一项工作。此外，我们的多注意模型被证明对Kitti 3D数据集上验证的3D对象检测非常有效，展示其与与3D视觉相关的其他任务的高概括性。 |
| MHER: Model-based Hindsight Experience Replay Authors Rui Yang, Meng Fang, Lei Han, Yali Du, Feng Luo, Xiu Li 解决多目标强化学习RL问题稀疏奖励的问题通常是具有挑战性的。现有方法利用目标依赖收集的经验，以减轻稀疏奖励提出的问题。然而，这些方法仍然有限效率，无法充分利用经验。在本文中，我们提出了基于模型的后敏感体验重放主机，其通过利用环境动态来利用环境动态来更有效地利用虚拟实现的目标。用从训练有素的动态模型的交互中产生的虚拟目标替换原始目标导致新的重定相制方法，基于MBR基于标准的MBR。基于MBR，MEHER执行强化学习和监督学习以获得高效的政策改进。从理论上讲，我们还证明了MBH中的监督部分，即使用MBR数据的目标调节监督学习，优化了多目标RL目标的下限。基于几点的任务和模拟机器人环境的实验结果表明，Menhe的样品效率明显高于前一个现有技术的方法。 |
| Deep auxiliary learning for visual localization using colorization task Authors Mi Tian, Qiong Nie, Hao Shen, Xiahua Xia 视觉本地化是机器人和自主驾驶最重要的组件之一。最近，基于CNN的方法显示了鼓舞人心的结果，其提供了一种直接配方，以结束终端回归6 DOF绝对姿势。通常引入了几何或语义约束等附加信息以提高性能。特别是，后者可以将高级语义信息聚合到本地化任务中，但通常需要巨大的手动注释。为此，我们通过从自我监督的表示学习任务中引入场景特定的高级语义来提出一种用于相机定位的新颖辅助学习策略。被视为强大的代理任务，映像彩色任务被选为互补任务，该任务输出灰度照片的像素明智的彩色版本，无需额外的注释。在我们的工作中，彩色网络的功能表示通过设计嵌入到本地化网络中，以产生姿势回归的辨别功能。同时引入了注意力机制，以实现本地化性能。广泛的实验表明，我们的模型显着提高了室内和室外数据集的最新状态的本地化准确性。 |
| Joint Optimization of Autonomous Electric Vehicle Fleet Operations and Charging Station Siting Authors Justin Luke, Mauro Salazar, Ram Rajagopal, Marco Pavone 充电基础设施是电力和运输网络之间的耦合链路，从而确定电力和运输系统所必需的充电站选址。虽然以前的作品已经针对充电站进行了优化，但是考虑到历史旅行行为的充电站，或者优化的车队路线和充电给出了该站的假定放置，介绍了一种线性程序，可以联合方式优化站立和宏观舰队运营。鉴于电力零售利率和一系列旅行需求请求，优化最大限度地减少了包括旅行费用，站采购成本，舰队采购成本和电力成本的自治市舰队的总成本，包括需求费用。具体地，优化返回每个充电速率的充电插头的数量，例如，在每个候选位置处的2级，DC快速充电，以及车队的最佳路由和充电。从旧金山运营的电动汽车舰队的案例研究，我们的结果表明，尽管具有范围限制，具有低采购成本和高能量效率的小型电源是在总体所有权成本方面最具成本效益的。此外，充电站的最佳选址比电台的当前选址更加空间分布，主要由高功率水平2AC站16.8kW组成，具有小的DC快速充电站的小份额，并且没有标准的7.7kW等级2站。最佳选址可降低总成本，空车行程和最高限额的峰值充电负荷10。 |
| If you Cheat, I Cheat: Cheating on a Collaborative Task with a Social Robot Authors Ali Ayub, Huiqing Hu, Guangwei Zhou, Carter Fendley, Crystal Ramsay, Kathy Lou Jackson, Alan R. Wagner 通过增强学习环境和管理教师与学习者之间的互动，机器人可能很快在高等教育中发挥作用。然而，几乎不了解学习环境中机器人的存在会影响学术完整性。因此，本研究调查大学生在与机器人一起参与合作排序任务时如何作弊。我们雇用了2x2因子设计来检查作弊风险暴露在作弊或没有曝光和任务清晰度的效果，并在与机器人互动时对大学生作弊行为的清晰或模糊规则。我们的研究发现，在欺骗事后对任务的接触显着提高了作弊的可能性。然而，作弊的倾向不会受到任务规则的清晰度的影响。这些结果表明，同学的规范性行为可能强烈影响作弊的决定，同时从事机器人的教学经验。 |
| Agree to Disagree: Subjective Fairness in Privacy-Restricted Decentralised Conflict Resolution Authors Alex Raymond, Matthew Malencia, Guilherme Paulino Passos, Amanda Prorok 公平通常被视为系统的全球结果的财产，并假设集中化和完全知识。但是，在实际分散的应用中，代理商只有部分观察能力。在有限的信息下，代理商依赖于沟通来泄露一些私人和不可观察的信息给他人。当代理人审议解决冲突时，有限的知识可能导致其视角于与冲突解决的实际结果不同。这是非常不公平的。 |
| Chinese Abs From Machine Translation |
CSDN联合极客时间，共同打造面向开发者的精品内容学习社区，助力成长！
更多推荐
0
0- 0
已为社区贡献71条内容
所有评论(0)