Under pressure: learning-based analog gauge reading in the wild

我们提出了一个可解释的框架，用于在实际机器人系统中读取模拟表。我们的框架将读数任务分为不同的步骤，这样我们可以在每个步骤中检测潜在的故障。我们的系统不需要先前了解仪表的类型或刻度范围，并且能够提取使用的单位。我们展示了我们的仪表读数算法能够提取相对读数误差小于2%的读数。

论文的问题是如何在实际机器人系统中解析模拟表的读数，并且检测潜在的错误。

论文提出了一个可解释的框架，将读数任务分成不同的步骤，能够在每个步骤中检测潜在的错误，并且无需先验知识即可提取单位。

论文的实验结果表明，该算法能够在2%以下的相对读数误差下提取读数。值得关注的是，该算法无需先验知识，可以自适应不同类型和范围的模拟表。

在相关研究方面，最近的研究集中在使用深度学习进行模拟表读数的自动化解析。其中一些论文包括：“End-to-End Deep Learning for Analog Reading of Industrial Gauges”和“Deep Learning for Automatic Reading of Analog Meters”等。