Fortgeschrittene Themen in AI und Robotik

Worum geht es?

Kashmira Shinde gibt in diesem Vortrag eine Einführung in den "self-attention mechanism", einer sehr einfachen und leistungsfähigen Sequenz-zu-Sequenz-Schicht, die das Herzstück von Transformer-Architekturen ist. Shinde  erklärt die grundlegende Idee hinter dem "self-attention mechanism", warum er so gut funktioniert, und dessen praktische Umsetzung. Am Ende demonstriert sie die Anwendung dieses Mechanismus zur Schätzung der Position des Roboters mittels Sensorfusion.

Kurzer Lebenslauf

Kashmira Shinde ist wissenschaftliche Mitarbeiterin im Bereich Robotik und Deep Learning in der Robotik-Gruppe der Universität Bremen. Sie arbeitet derzeit an der Entwicklung eines flexiblen Software-Frameworks für Mensch-Roboter-Interaktion in Weltraumszenarien. Nach ihrem Bachelor-Abschluss in Elektronik und Instrumentierungstechnik, den sie 2016 in Indien erlangte, machte Shinde  2020 ihren Abschluss im Studiengang Master of Science in Automation und Robotik mit der Spezialisierung auf Robotik an der Technischen Universität Dortmund.  
Ihre Interessen liegen in der Entwicklung neuer Ansätze für die Wahrnehmung und Lokalisierung von Robotern durch den Einsatz von KI.

Relevante Literatur zu diesem Vortrag

1. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.

2. Bloem, P. (2019, August 19). Transformers from scratch. https://peterbloem.nl/blog/transformers

3. Shinde, K., Lee, J., Humt, M., Sezgin, A., & Triebel, R. (2020). Learning multiplicative interactions with bayesian neural networks for visual-inertial odometry. arXiv preprint arXiv:2007.07630

Der Vortrag findet in englischer Sprache statt und richtet sich an die Studierenden und Mitarbeitenden der H-BRS. Interessierte sind herzlich eingeladen.