2023-09-21 Meeting #1

Pašreizējā tēma: “Mobila robota lokalizācija un navigācija, izmantojot dziļo mašīnmācīšanos” Vēlams precizēt: “Pepper robota lokalizācija un navigācija, izmantojot gala-līdz-galam dziļo mašīnmācīšanos”

Rakstīšanas resursi

IT AI un Datorzinātņu Termini Latviešu Valodā: http://share.yellowrobot.xyz/website/IT%20AI%20Termini%20Latviesu%20Valoda.html

RTU gala darbu sagatave LaTeX: https://www.overleaf.com/read/chsqbcssfrwb

LaTeX useful tools and sniplets http://share.yellowrobot.xyz/website/LaTeX%20useful%20tools%20and%20sniplets.html

Robot Pepper Notes

Simulācijas vides

https://github.com/softbankrobotics-research/qibullet

Wiki

http://wiki.ros.org/pepper

http://wiki.ros.org/pepper/Tutorials

ROS

http://doc.aldebaran.com/2-4/dev/ros/index_ros.html

https://groups.google.com/g/ros-sig-aldebaran/c/CUV9nJaslJc

SSH https://support.aldebaran.com/support/solutions/articles/80000957535-connection-to-the-robot-via-ssh-protocol

⚠️Ja jau ir zināmi šķēršļi un occupancy grid - tā nav pētniecības problēma! Jo var izmantot Path finding A*

Kas ir pētniecības problēma ir AI modelis, kas veic izpēti vai optimālu coverage ceļu (piem putekļu sūcējs)

TODOs

1. Noskaidrot

   1. Vai vajag uz Pepper var uzinstalēt ROS bridge Pepper vai tas jau ir by default?

   2. Kāds ROS ir supported ROS bridge Pepper? Precīzi versijas

   3. Kādi ir ROS topics and actions, lai iegūtu Robota pozīcijas, kameru, un sūtīt komandas pārvietoties?

   4. Kā uzstādīt savu ROS, lai būtu gatavs testēt ar RViz?

2. Localization and mapping

   1. Piemklēt gatavos ROS navigation packages - ORBSlam, ..

3. Izveidot aizpildīt un share iekš Notion vai GDrive SLR tabulu (zemāk paraugi)

4. Izveidot skeletu overleaf

   1. Ievads (raksta beigās)

      1. Sastītie pētījumi

         1. Pepper - sensori, program (1-2 lpp)

         2. ROS -

         3. SLAM - algoritmi

         4. Dziļajā mašīnmācīšanā balstīti SLAM (feature encoders)

         5. End-to-End Deep Learning methods for navigation

            1. Tabula:

               1. Publikacija http://semanticscholar.org

               2.  

         6. https://www.semanticscholar.org/search?q=pepper%20robot&sort=total-citations

         7. https://sci-hub.se/https://dl.acm.org/doi/10.1145/3029798.3038362

   1. SLR - piemērs

   1. Metadoloģija

   1. Rezultāti

   1. Tālākie pētījumi (raksta beigās)

   1. Secinājumi (raksta beigās)

5. Aizpildīt pēc principa “Sastītie pētījumi” pirmo iterāciju

Additionally, Pepper has apps that can be launched either using speech or directly from the tablet. The built-in apps supported in this study contained replies to simple questions regarding the robot (e.g., How old are you? Can we be friends?) and interactive actions and motions (e.g., posing for a selfie, shaking hands, and dancing). In addition, the robot could be asked general questions about the shopping mall (e.g., selection of shops and current events) \cite{publ}

SLR

Best tool for reading PDFs (or find others using langchain):

1. https://chatpdf.com

Examples of SLR tables:

1. https://puupuls.notion.site/SLR-Tabula-1-04cafc5ed342497b92629b87c2c1e548

2. https://www.evernote.com/shard/s736/sh/2c598470-3b41-6a1c-d629-3fa44ec1e0c3/c340ef470d5f0d9391b709d03751445f

Examples of SLR:

1. http://share.yellowrobot.xyz/quick/2023-2-28-62301A6A-9494-43EE-B86B-007AF6F685EB.pdf

2. https://sci-hub.hkvisa.net/10.1016/j.infsof.2008.09.009

3. https://www.sciencedirect.com/science/article/pii/S0950584908001390

4. http://share.yellowrobot.xyz/quick/2023-2-28-0CCAE1B2-6579-4F45-97E3-A12AEDA732B0.pdf

Tool to access any publication:

1. http://sci-hub.hkvisa.net

Use these databases for searching papers:

1. http://semanticscholar.org

2. http://researchrabbitapp.com

3. https://deeplearn.org

4. https://scirate.com

5. https://arxiv-sanity-lite.com

6. http://perplexity.ai (academic section)

7. https://typeset.io

Obligāti datu kopām pārmeklēt līdzīgas ar:

1. http://zenodo.org

2. http://paperswithcode.com

Izveidot un nosharot SLR (Systematic Literature review tabulu)

1. Atrast datu kopas

2. Atrast SOTA (State of the Art) metrikas un vērtības katrai kopai

3. Atrast metodes - dažādas kļūdas funkcijas, modeļu arhitektūras, pre-processing, post-processing

4. Tabula - kolonas:

   1. Nr - Vismaz 20 pētījumi

   2. Gads

   3. Nosaukums

   4. Keywords

   5. Links uz pētījumu

   6. Links uz Github ja ir (vēlams)

   7. Organizācija (universitāte, firma)

   8. Citātu skaits (Semantic schollar)

   9. Datu kopas (kuras tiek izmatotas) - Ja nav publicēta vai nav info par datu kopu: NAV

   10. Metrikas un Rezultāti (kuras tiek izmantotas, lai noteiktu metodes darbību uz katru datu kopu), ja nav precīzi rezultāti, tad: NAV

   11. Modelis (kāda ir modeļa arhitektūra), var būt arī NE DL modelis

   12. Metode (kas ir galvenā metode, kura tiek izmantota)

   13. Tālākie pētījumi (ko iesaka vēl pētīt)