Generalizing 6-DoF Grasp Detection via Domain Prior Knowledge 
在本文中，我们关注6-DOF GRASP检测方法的概括能力。虽然基于学习的GRASP检测方法可以使用从训练集中学到的掌握分布来预测看不见的对象的抓握姿势，但在遇到具有不同形状和结构的对象时，它们通常会表现出显着的性能下降。为了增强GRASP检测方法的概括能力，我们结合了机器人握把的先验知识，使能够更好地适应具有显着形状和结构差异的物体 ...
0 0 0 2025/05/26 arXiv:2404.01727v1 18801130956
Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics 
为了减少数据收集时间，以深入学习健壮的机器人抓紧计划，我们探索了从dex-net 1.0中成千上万的3D模型中产生的670万个点云，grasps和Analytic Grasp指标的合成数据集的培训 ...
0 0 0 2025/05/26 arXiv:1703.09312v3 18801130956
Closing the Loop for Robotic Grasping: A Real-time, Generative Grasp Synthesis Approach 
本文提出了一种实时的，独立于对象的掌握合成方法，可用于闭环抓握。我们提出的生成抓卷卷积神经网络（GG-CNN）预测了每个像素的grasps的质量和姿势。从深度图像中，这一一对一的映射通过避免抓住候选者的离散采样和较长的计算时间来克服当前深度学习抓地力技术的限制 ...
0 0 0 2025/05/26 arXiv:1804.05172v2 18801130956
Jacquard: A Large Scale Dataset for Robotic Grasp Detection 
掌握技能是大量现实生活中的机器化所需的主要能力。最先进的机器人抓握方法对基于深神经网络的对象掌握位置进行了预测。但是，这样的网络需要大量的标记数据来训练，使这种方法在机器人技术中通常不切实际 ...
0 0 0 2025/05/26 arXiv:1803.11469v2 18801130956
Building reliable sim driving agents by scaling self-play 
模拟剂对于设计和测试系统与人类相互作用（例如自动驾驶汽车（AV））至关重要。这些代理的目的是各种目的，从基准AV性能到压力测试系统限制，但是所有应用程序都有一个关键要求：可靠性。为了启用声音实验，必须按预期行事 ...
0 0 2 2025/05/26 arXiv:2502.14706v3 wong_joe
Domain Generalization via Conditional Invariant Representation 
域的概括旨在将从多个标记的源域获得的知识应用于看不见的目标域。主要困难来自数据集偏差：培训数据和测试数据具有不同的分布，培训集包含来自不同分布的异质样本。令$ x $表示功能，而$ y $为类标签 ...
0 0 0 2025/05/26 arXiv:1807.08479v1 15966829631
A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data 
不规则采样的时间序列（ISTS）数据在观测值和序列之间的不同采样率之间具有不规则的时间间隔。 IST通常出现在医疗保健，经济学和地球科学中。特别是在医疗环境中，广泛使用的电子健康记录（EHR）具有丰富的典型不规则采样医疗时间序列（ISMTS）数据 ...
0 0 0 2025/05/26 arXiv:2010.12493v2 PXXHL
Infinite Mobility: Scalable High-Fidelity Synthesis of Articulated Objects via Procedural Generation 
与体现AI相关的多个任务迫切需要具有高质量的大规模铰接物体。创建铰接对象的大多数现有方法都是基于数据驱动的或基于模拟的方法，这些方法受训练数据的规模和质量的限制，或模拟的忠诚度和大量劳动。在本文中，我们提出了无限的迁移率，这是一种通过程序生成综合高保真表达物体的新方法 ...
0 0 0 2025/05/26 arXiv:2503.13424v1 doudou0037

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）