该管道过滤不适合模拟的模型生成碰撞

ditihekhatun16

体积计算物理属性对网格进行下采样生成缩略图并将它们全部打包以在模拟系统中使用。在中渲染的扫描对象模型的集合。该管道的输出是一个适当格式的模拟模型其中包含名称质量摩擦力惯性和碰撞信息以及与我们在的上的开源托管兼容的公共接口中的可搜索元数据。输出对象表示为模型引用网格每个模型平均为。这些模型的纹理采用格式平均。这些共同提供了高分辨率的形状和纹理。影响扫描对象数据集包含个扫描对象及其相关元数据总计根据许可证进行许可。由于这些模型是扫描的而不是手工建模的因此它们真实地反映了真实对象的属性而不是理想化的再现从而降低了将学习从模拟转移到现实世界的难度。

输入视图左以及从右侧两个新视图重建的形状和纹理图来自。来自副本数据集和扫描对象的三个真实世界扫描的可视化动作评分预测图来自。数据集已在超过篇论文中使用涉及多个项目  格鲁吉亚电话号码列表 涵盖计算机视觉计算机图形学机器人操作机器人导航和形状处理。大多数项目使用该数据集为学习算法提供合成训练数据。例如扫描对象数据集被用在中这是一个可扩展数据集的开源生成器可用于十多个视觉任务而中则使用了这是一个通过横向访问射线搜索货架的系统以实现机械自动化。搜索架子上被遮挡的物体。真实世界数据上的无监督关键点图来自。我们希望扫描对象数据集将来能被更多的机器人和模拟研究人员使用并且该数据集设置的示例将激励模型存储库的其他所有者使它们可供世界各地的研究人员使用。




发布者团队研究软件工程师和研究科学家稀疏模型在深度学习未来最有前途的方法中脱颖而出。采用条件计算的稀疏模型不是模型的每个部分都处理每个输入密集建模而是学习将各个输入路由到潜在庞大网络中的不同专家。这有很多好处。首先模型大小可以增加同时保持计算成本不变——这是一种有效且更环保的模型缩放方式这通常是高性能的关键。稀疏性也自然地划分了神经网络。同时多任务或顺序持续学习学习许多不同任务的密集模型通常会受到负面干扰其中过多的任务多样性意味着最好每个任务只训练一个模型或者灾难性遗忘其中模型在早期变得更糟添加新任务时。稀疏模型有助于避免这两种现象通过不将整个模型应用于所有输入模型中的专家可以专注于不同的任务或数据类型同时仍然利用模型的共享部分。