BriefGPT - AI 论文速递
·
SLAM 中自适应特征提取的神经符号化方法
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了一种将符号知识与神经网络相结合的方法，用于基于上下文的人体运动预测。该方法在离线数据集上取得了更好的性能，并开发了一个面向机器人的软件包neuROSym，用于在线运行、可视化和评估运动预测模型。评估结果表明，使用神经符号架构能够普遍改善性能。
🎯
关键要点
- 自主移动机器人依赖多种人体运动检测和预测系统。
- 底层模型架构对机器人在现实世界中的可信度有不同影响。
- 本文展示了将符号知识与现代神经网络相结合的好处。
- 神经符号结构（NeuroSyM）成功结合上下文与定性轨迹计算（QTC）。
- 该方法在离线数据集上比仅使用神经网络的基准架构表现更好。
- 扩展原始架构为 neuROSym，面向机器人部署的 ROS 软件包。
- neuROSym 可以在线运行、可视化和评估运动预测模型。
- 在两个不同人体运动模式的场景中评估了模型的准确性和性能。
- 结果表明神经符号架构普遍改善了性能。
- neuROSym 软件包已公开提供给机器人社区。
➡️
