htwddKogRob-InfDynSim
Dieser Datensatz stellt eine große Herausforderung für die Roboterlokalisierung in stark überfüllten Umgebungen dar. Die gesamte gefahrene Strecke über alle Läufe beträgt 113,3 km. Es wurden 50 dynamische Hindernisse in die Karte eingefügt. Beschreibung HTW.
Datensatz: http://doi.org/10.5281/zenodo.4269967
htwddKogRob-TSDChangesSim
Dieser Datensatz bietet Logdateien, die in einer sich verändernden Innenumgebung mit 18 dynamischen Hindernissen aufgenommen wurden. Die Veränderungen von der ursprünglichen Karte zur simulierten Welt sind in der Abbildung hervorgehoben. Die gesamte gefahrene Strecke in diesem Datensatz beträgt 179,8 km.. Beschreibung HTW.
Datensatz: doi.org/10.5281/zenodo.4270180
htwddKogRob-InfReal
Dieser kleine Datensatz enthält Logfiles aus der realen Welt von einer 2,2 km langen Patrouille zwischen zwei Punkten einer zuvor bekannten Karte. Die Umgebung verändert sich leicht und es gibt einige dynamische Hindernisse. Die Abbildung zeigt den von den Robotern gefahrenen Weg entsprechend der real gefahrenen Kilometer und den Patrouillenpunkten. Beschreibung HTW.
Datensatz: doi.org/10.5281/zenodo.4269557
htwddKogRob-TSDReal
Dieser Datensatz stellt eine 4,7 km lange Tour in einer Umgebung dar, deren Darstellung inzwischen veraltet ist. Mehrere statische Objekte wurden bewegt oder entfernt, und es sind unterschiedlich viele dynamische Hindernisse vorhanden. Beschreibung HTW.
Datensatz: doi.org/10.5281/zenodo.4270152
Broad-Coverage German Sentiment Classification Model and Dataset for Dialog Systems
This paper describes the training of a general-purpose German sentiment classification model. Sentiment classification is an important aspect of general text analytics. Furthermore, it plays a vital role in dialogue systems and voice interfaces that depend on the ability of the system to pick up and understand emotional signals from user utterances. The presented study outlines how we have collected a new German sentiment corpus and then combined this corpus with existing resources to train a broad-coverage German sentiment model. The resulting data set contains 5.4 million labelled samples. We have used the data to train both, a simple convolutional and a transformer-based classification model and compared the results achieved on various training configurations. The model and the data set will be published along with this paper.
Data Set: doi.org/10.5281/zenodo.3693810