Deep Learning for Robotics

Abstract

The pathway to other computer-vision implementations was opened by sophisticated machine learning methods and simultaneous computing. In particular, the use of neural networks to control temporal information and to use the interaction of human robots for incremental learning. The world is interpreted across time, and time-indexed trajectories execute functions. The deep learning group typically ignored this valuable property. Rather, the emphasis is on developing metrics on single picture tasks or reviewing batch images. Real-time video processing got less coverage. Yet that's just what machines need. Processing single photographs does not have adequate details to track the world and process a batch of pictures. In order to presume the last segmentation of the file, this network format requires a sequence of images that begin with the current image. We learned how to build and train these networks end-to - end. An detailed series of studies was produced on different systems and benchmarks. We found significant progress over non-recurring equivalents using RFCNN. While not restricted to robots, their influence is most evident. Mostly because robotics need to practice complex logic using minimal train details. This mixture contributes to extreme overfitting in a significantly different area during the study. Simulated results and specific output checks verify the device. We noticed that teaching the robot new things is simple for us, and later the robot would understand and use this knowledge. Keywords : Deep Learning, Robotic

ÖZ: Gelişmiş makine öğrenimi teknikleri ve eşzamanlı hesaplama, diğer bilgisayarla görme uygulamalarının kapısını açtı. Sonuç olarak bilgisayar görüşü hızla ilerlemesine rağmen, robotik biliminin gerçek dünyadaki uygulamaları kadar etkili değildir. Bu makalede, bu konunun iki makul tetikleyicisini tartışıyor ve alternatif çözümler sunuyoruz. Spesifik olarak, zamansal bilgiyi yönetmek için sinir ağlarını kullanmak ve kademeli öğrenme için insan robot etkileşimini kullanmak gerekir. Dünya zaman içinde yorumlanır ve zaman indeksli yörüngeler işlevleri yerine getirir. Derin öğrenme grubu tipik olarak bu değerli yapıyı görmezden geldi. Bunun yerine, tek resimli görevler için metrikler geliştirmek veya toplu görüntüleri gözden geçirmek vurgulanmaktadır. Gerçek zamanlı video işleme daha az kapsam kazandı.Yine de makinelerin ihtiyacı olan şey bu. Tek bir fotoğrafın işlenmesi, dünyayı izlemek ve bir grup fotoğrafı işlemek için yeterli ayrıntıya sahip değildir. Gerçek zamanlı strateji ve karar verme ile ertelendi. Bu sorunu çözmek için, çeşitli robotik senaryolarda çok yararlı olan, segmentasyon için tekrar eden tamamen evrişimli bir sinir ağı (RFCNN) öneriyoruz. Bu ağ biçimi, son görüntü segmentasyonunu varsaymak için mevcut resimden başlayarak bir dizi görüntüyü kapsar. Bu ağları uçtan uca nasıl inşa edeceğimizi ve eğiteceğimizi öğrendik. Farklı sistemler ve kıyaslamalar üzerine detaylı bir dizi çalışma üretildi. RFCNN kullanarak tekrar etmeyen eşdeğerlere göre önemli ilerleme bulduk. Derin öğrenme yaklaşımları, erişilebilir en popüler makine öğrenimi çözümleri olsa da, eğitim ve test arasındaki veri dağıtımında yaşanan değişimden muzdariptir. Robotlarla sınırlı olmamakla birlikte, etkileri en belirgindir. Bu karışım, çalışma sırasında önemli ölçüde farklı bir alanda aşırı uyuma katkıda bulunur. Bu sorunu hafifletmek için, robotun İnsan-Robot Etkileşimi (HRI) aracılığıyla yeni algı bilgileri hakkında düşünebileceği yeni bir model öneriyoruz. Sesi kullanarak insan dostu iletişim için eksiksiz bir HRI programı ve Geste kullanılmaktadır. İnsan geribildirimini kullanarak, bir nesne algılama ağını geliştirmek için aşamalı bir öğrenme yaklaşımı oluşturulur. Simüle sonuçlar ve gerçek performans testleri cihazı kontrol eder. İnsanların robota kolayca yeni şeyler öğretebileceğini ve daha sonra robotun bu bilgiyi bilip kullanacağını gösterdik. Anahtar Kelimeler: Derin Öğrenme, Robotik