XiaoMi-AI文件搜索系统
World File Search System可区分的
学习与可区分的精确模板匹配...
抽象模板匹配是计算机视觉中的一项基本任务，已经研究了数十年。它在制造业中起着至关重要的作用，可以估算不同部分的姿势，从而促进了下游任务，例如机器人抓握。当模板和源图像具有不同的方式，混乱背景或弱纹理时，现有方法失败。他们也很少考虑通过同谱进行几何变换，即使对于平面工业部位，它们通常也存在。为了应对挑战，我们提出了一种基于可不同的粗到功能对应关系的准确模板匹配方法。我们使用边缘感知模块来克服蒙版模板和灰度图像之间的域间隙，从而允许匹配。使用基于变形金刚提供的新结构感知信息的粗略对应关系来估算初始翘曲。使用参考图和对齐图像获得了用于获得最终几何变换的子像素级对应关系，将此初始对齐传递给了重新构造网络。广泛的评估表明，我们的方法比最先进的方法和基准要好得多，即使在看不见的真实数据上，也提供了良好的概括能力和视觉上可行的结果。
从增强学习到可区分的模拟
摘要 - 我们通过弥合以学习为中心的政策培训和基于模型的控制之间的差距来提供学习机器人控制的新见解。我们利用最佳控制，强化学习和可区分模拟来开发控制算法，从而增强机器人的敏捷性，同时在现实世界中保持稳健性。首先，我们表明，与最佳控制相比，机器人技术中增强学习的基本优势在于其优化目标。具体来说，RL直接最大化任务级目标，这可能是不可差异的，而最佳控制受到平滑且可微分的成本功能的要求限制。客观设计的灵活性允许实现更灵活的控制策略，从而在意外情况下导致更强的性能。第二，我们建议使用策略搜索自动优化模型预测控制（MPC）的高级策略。此公式使策略搜索能够专注于最大化高级任务目标，而MPC优化可以集中于低级跟踪性能。第三，我们探讨了可区分模拟进行政策培训的潜力。可区分的模拟可以提供低变化的一阶梯度，从而导致更稳定的训练和更好的收敛性。我们显示了玩具双积分器的近乎最佳控制性能及其对四足动力的潜力。
使用可区分的模拟学习四倍的运动
摘要 - 腿部机器人控制的最新进展是由无模型的强化学习驱动的，但我们探索了可区分模拟的潜力。不同的模拟有望更快地收敛和更稳定的训练，但是到目前为止，其用于腿部机器人控制的使用仍然限于模拟。可区分仿真的主要挑战在于由于接触良好的环境中的不连续性（例如四倍的运动）而导致机器人任务的复杂优化土地。这项工作提出了一个新的，可区分的模拟框架来克服这些挑战。关键思想涉及将复杂的全身仿真解耦，该模拟可能由于接触而表现出不连续性，分为两个单独的连续域。随后，我们将简化模型产生的机器人状态与更精确，不可差的模拟器对齐，以保持足够的模拟精度。我们的框架可以使用单个模拟机器人在几分钟内学习四足动物，而无需任何并行化。随着GPU并行化的增强，我们的方法允许四倍的机器人在挑战地形上掌握各种各样的机车技巧，包括小跑，步伐，绑定和gallop。此外，我们的政策在现实世界零击中实现了强大的运动性能。据我们所知，这项工作代表了使用可区分模拟控制真正四倍的机器人的首次演示。这项工作提供了一些重要的见解，以便在现实世界中使用可区分的模拟进行腿部运动。
使用可区分的模拟学习四倍的运动
摘要：这项工作探讨了使用可区分的模拟进行四足运动的潜力。可区分的模拟通过使用机器人动力学计算低变化的一阶梯度来承诺快速转化和稳定训练。但是，它对腿部机器人的使用仍然仅限于模拟。主要挑战在于由于不连续动态而引起的机器人任务的复杂优化格局。这项工作提出了一个新的可区分类似框架来克服这些挑战。我们的方法结合了用于正向动力学的高保真度，非差异的模拟器，简化的表面模型用于梯度后传播。这种方法通过将替代模型的机器人状态与精确的，不可差的模拟器对齐来保持模拟精度。我们的框架使学习可以在几分钟内在仿真中学习四倍，而无需并行化。随着GPU并行化的增强，我们的方法允许四倍的机器人在几分钟内在挑战地形上掌握各种运动技能。我们证明，可差异的模拟通过实现明显提高样品效率的同时，在处理大规模环境中的有效性时，可以优于强化学习算法（PPO）。我们的方法代表了可区分模拟到现实世界四倍的机车运动的第一个成功应用之一，它为传统RL方法提供了令人信服的替代方案。视频：https：//youtu.be/wenq_w715xm
可区分的模拟量子计算用于优化和控制
量子计算已承诺在我们解决经典问题的计算能力方面有前所未有的改进。尽管量子硬件的迅速开发[2，66]，但近任期量子计算机仍可能具有非常有限的硬件资源，在这种情况下，“ Qubits”数量有限，而不可忽略的机器Noises会阻碍大型量子量算法的实施。最近的研究结果[60]和Physics [43]提出了一种设计资源噪声噪声中间尺度量子（NISQ）[51]应用的有希望的方法[51]通过破坏量子电路抽象并直接设计量子机脉冲控制的应用程序。1在经典模拟计算的历史史上，这种面向模拟方法的好处是由于轻松的硬件要求而早于数字计算的历史，并且在诸如模拟之类的域应用中起着重要作用。
pinetree：宽场星系调查的生成，快速和可区分的光晕模型
上下文。准确的模拟晕圈目录是用于开发和验证宇宙学推断管道的必不可少的数据产品。生成模拟目录的一个主要挑战是对光环或星系偏置进行建模，这是从物质密度到暗物质光环或可观察的星系的映射。为此，n个体代码生成了最先进的目录。然而，为大容量的大量N体模拟产生了大量的N体模拟，尤其是在包括磁水动力学的情况下，需要大量的计算时间。目标。我们介绍和基准测试了一个可区分和物理信息的神经网络，该网络可以生成与从完整的N体代码获得的模拟光环目录相当的质量。模型设计在训练程序和大型模拟目录套房的生产上具有计算有效的效率。方法。我们提出了一个神经网络，仅依靠18至34个可训练的参数，该参数可从暗物质过度密度场中产生光环目录。通过将首先原理动机的对称性纳入我们的模型体系结构来实现网络权重的减少。我们使用不同分辨率，红移和大型垃圾箱的仅黑色n体模拟训练了我们的模型。我们使用不同的n点相关函数将最终模拟目录与N体晕目录进行了比较，从而验证了最终模拟目录。结果。此外，我们发现该网络可以在近似密度字段上进行培训，以进一步降低计算成本。我们的模型生成了与参考模拟一致的模拟光环目录，这表明该新型网络是生成模拟数据的一种有希望的方法，该数据由于其计算效率而即将进行的宽场调查。我们还介绍了如何解释训练有素的网络参数，以洞悉结构形成的物理。最后，我们讨论了我们的模型的当前局限性，以及从这项研究中可以明显看出的近似Halo模拟产生的一般要求和陷阱。
通过可区分的编程和自然进化策略量子控制Mapoanas的量子发现
量子控制是指量子力学定律描述的物理系统的主动操纵，构成了量子技术开发的重要组成部分。在这里，我们将不同的编程（DP）和自然进化策略（NES）应用于超导纳米线的最佳运输，这是基于Majorana的拓扑量子计算成功的关键要素。我们将Majorana零模式的运动控制作为一个选择问题，我们提出了有关系统的临界速度和总运输时间的四个不同制度的新分类。除了正确恢复绝热制度中预期的平滑方案外，我们的算法还发现了非绝热制度中的效率有效但非常明显的违反直觉运动策略。紧急图片揭示了一种简单而高的实现策略，该策略在跳跃之间使用恒定速度时，在协议的开头和协议的结束时使用pulselike跳跃，我们将跳跃摩托车跳跃的协议配音。我们提供了透明的半分析图，它利用了运动框架中Majorana运动的突然近似和重新制定，以阐明跳跃式跳动控制策略的关键特征。我们验证了跳跃 - 跳跃的方案在相互作用或混乱的存在上保持强大，并在现实的接近耦合纳米线模型上证实了其高效率。我们的结果表明，用于量子控制的机器学习可以很好地应用于具有性能水平的量子多体动力学系统，这使其与实现大规模量子技术有关。
概率3D多对象合作跟踪，用于自动驾驶通过可区分的多传感器kalman filter
摘要 - 当前的最新自动驾驶车辆主要依靠每个传感器系统来执行感知任务。这样的框架的可靠性可能会受到阻塞或传感器故障的限制。为了解决这个问题，最新的研究建议使用车辆到车辆（V2V）通信与他人共享感知信息。但是，大多数相关的作品仅着眼于合作探测，并让合作社跟踪一个未充满刺激的研究领域。最近的一些数据集（例如V2V4Real）提供3D多对象合作跟踪基准。但是，他们提出的方法主要使用合作检测结果作为标准单传感器Kalman滤波器基于基于Kalman滤波器的跟踪算法的输入。在他们的方法中，可能无法正确估计来自不同连接的自动驾驶汽车（CAVS）的不同传感器的测量不确定性，以利用基于卡尔曼滤波器的基于卡尔曼滤波器的跟踪算法的理论优化属性。在本文中，我们提出了一种新颖的3D多对象合作跟踪算法，用于通过可区分的多传感器卡尔曼滤波器自动驾驶。我们的算法学会了每种检测的测量不确定性，以更好地利用基于卡尔曼滤波器基于卡尔曼滤波器的跟踪方法的理论属性。实验结果表明，与V2V4REAL中最新方法相比，我们的算法仅用0.037倍的通信成本提高了17％的跟踪精度。我们的代码和视频可在URL和URL上找到。
可区分的矩阵产品状态用于模拟变异量子计算化学
量子计算被认为是量子化学概率的最终解决方案。在大规模，完全容忍的量子计算机出现之前，变量量子本质量（VQE）是一种有希望的启发式量子算法，可以解决现实世界中量子化学问题上的近期噪声量子计算机。在这里，我们基于量子状态的矩阵乘积状态表示，为VQE提供了高度可行的经典模拟器，该模拟态显着扩展了iS exting模拟器的模拟范围。我们的模拟器无缝地将量子电路演变为经典的自动差异框架，因此可以有效地计算梯度与经典的深神经网络有效地相似，该缩放的比例与变异参数的数量无关。作为应用，我们使用模拟器研究常用的小分子，例如HF，HCl，Lih和H 2 O，以及较大的分子CO 2，BEH 2和H 4，最多40量Qubit。我们的模拟器对量子数的数量的有利缩放和参数的数量可以使其成为近期量子算法的理想测试场，并且是噪声量子计算机上迎接大型大规模VQE Excorments的完美基准基线。