Datensätze

Fakultät Informatik/Mathematik

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-InfDynSim
HTW Dresden/Bahrmann

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-TSDChangesSim_image
HTW Dresden/Bahrmann

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

realhtwInf_rawPath
HTW Dresden/Bahrmann

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

htwddKogRob-TSDReal_image
HTW Dresden/Bahrmann

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