库卡机器人无法会安全位

Question

机器人回第一个位置不动，不知道什么原因，求各位帮忙看下告诉下怎么处理

Answer 1

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7781398
• 这篇博客你也可以参考下：使用以下商品房销售记录表数据，用梯度下降法，编程实现一个房价预测系统
• 除此之外, 这篇博客: 视频云大赛｜视频目标分割，下一个视频算法技术爆发点？中的 算法模型加速创新 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 近年来视频目标分割算法有基于第一帧的 mask 进行传播的，也有基于检测在线学习的，STM[1] 的出现融合了上述两种思想的优点，首次将 Memory Network 引入 VOS 领域，引申为一个 space-time 的 memory network，并实现了较好的分割准确率以及较快的速度。在业界著名的 DAVIS 2020 大赛中，很多优秀的模型都是根据 STM 进行改造的，可见其具有很棒的指导意义和研究价值。下面，我们就以 DAVIS 2020 大赛的优胜方案为例，介绍几种具有代表性的算法。

  阿里达摩院提出的算法 [2] 是 DAVIS-20 半监督 VOS 赛道的冠军方案，它基于 STM，以 ResNeST101 为 backbone，增加空间约束模块（Spatial Constraint Module）以确保相邻帧之间的空间一致性，消除外观混淆，消除由同一类别的相似实例引起的错误预测，并在 segmentation head 中增加了 ASPP (Atrous Spatial Pyramid Pooling) 模块来解决尺度变化（scale variability）的问题，同时使用了额外的 refinement module 来提升分割图像边缘的精细度。

  CFBI[3] 提出了一种前背景整合的协作式视频目标分割算法，也是一种基于匹配的半监督分割算法，与之前的方法只考虑前景目标特征学习不同的是，CFBI 开创性的同时、同等地处理前景和背景信息，不仅提取当前帧的嵌入特征并与参考帧中的前景目标进行匹配，而且还对背景区域进行匹配以缓解背景混乱，从而得到更好的分割结果。CFBI 进一步拓展了在多尺度特征上进行匹配，在 DAVIS2020 半监督分割赛道上与达摩院的算法性能接近，获得第 2 名。

  Garg 等人提出的框架 [4] 是 DAVIS-20 无监督 VOS 赛道的冠军方案，主要结合了 Proposal 和 STM，首先利用 Mask-RCNN 生成第一帧中可能的目标分割 mask（proposal），接着利用 STM 将第一帧的 Proposal 顺序传导到其余帧，再将 STM 预测的 mask（带 ID）与第一帧的 Proposal 建立匹配关系，最后筛选出最准确的 mask 作为最终的分割结果。阿里提出的无监督 VOS 方案 法 [5] 与 [4] 一样利用了 Proposal 和 STM 来实现整个算法，主要是利用跟踪来融合不同的 proposal，在无监督 VOS 赛道中获得亚军。目前主流的无监督 VOS 跟上述两个工作的思路基本一致。

• 您还可以看一下 刘建萍老师的人工智能系列课程零基础讲解知识点和实例应用线性回归梯度下降逻辑回归课程中的 讲解机器学中会涉及到的有关数学方面的知识储备有哪些小节, 巩固相关知识点