- Атака оценки движения с помощью Adversarial Snow(arXiv)
Автор: Дженни Шмальфус, Лукас Мель, Андрес Брюн
Выдержка:Современные атаки злоумышленников для оценки движения (оптический поток) оптимизируют небольшие попиксельные возмущения, которые вряд ли появятся в реальном мире. Напротив, мы используем реальное погодное явление для новой атаки со снегом, оптимизированным для противников. В основе нашей атаки лежит дифференцируемый рендерер, который последовательно интегрирует фотореалистичные снежинки с реалистичным движением в 3D-сцену. Путем оптимизации мы получаем враждебный снег, который существенно влияет на оптический поток, но при этом неотличим от обычного снега. Удивительно, но влияние нашей новой атаки больше всего на методы, которые ранее демонстрировали высокую устойчивость к небольшим возмущениям L_p.
2. Причинно-следственный вывод для устранения смещения оценки движения на основе данных роботизированных наблюдений(arXiv)
Автор:Джунхун Сюй, Кай Инь, Джейсон М. Грегори, Лантао Лю
Аннотация. Данные о роботах, собранные в сложных реальных сценариях, часто бывают необъективными из-за соображений безопасности, предпочтений людей и ограничений миссии или платформы. Следовательно, обучение роботов на таких данных наблюдений создает большие проблемы для точной оценки параметров. Мы предлагаем принципиальную структуру причинно-следственного вывода для роботов, чтобы изучить параметры стохастической модели движения, используя данные наблюдений. В частности, мы используем функцию устранения смещения структуры причинно-следственного вывода потенциального результата, методов обратного взвешивания склонности (IPW) и метода двойной надежности (DR), чтобы получить лучшую оценку параметров стохастической модели движения робота. IPW представляет собой подход повторного взвешивания для обеспечения несмещенной оценки, а подход DR дополнительно объединяет любые две оценки для усиления несмещенного результата, даже если одна из этих оценок смещена. Затем мы разрабатываем приближенный алгоритм итерации политики, используя предполагаемую функцию перехода состояния с устранением смещения. Мы проверяем нашу структуру, используя как моделирование, так и эксперименты в реальном мире, и результаты показали, что предлагаемая структура навигации и управления, основанная на причинно-следственных связях, может правильно и эффективно изучать параметры из необъективных данных наблюдений.
