移动机器人的深度生成空间模型学习
介绍了一种名为图结构和积网络的概率方法,可用于机器人领域的结构预测问题,演示了该方法如何通过处理机器人在大规模办公空间中的嘈杂拓扑关系来提高关于语义概念描述的推断,并显示 GraphSPNs 始终优于传统基于无向图模型的方法。
Sep, 2017
本文提出了一种新的基于 SPN 和深度神经网络的概率深度学习模型,称为 RAT-SPNs,该模型具有充分评估数据似然,任意边缘化和条件任务的优势,并且仍然可解释为生成模型,并保持了良好的校准不确定性,从而使其高度鲁棒性和自然地检测异常值和独特样本。
Jun, 2018
该论文介绍了一种基于模型的方法,利用概率推理和深度生成模型的方法,解决在空间环境中的定位、绘图、导航或自主探索等问题,并能够灵活地从数据中学习。该方法在两个不同的模拟环境中表现出了与专业最新方法相当的性能。
May, 2018
提出了一种新型深层架构 —— 求和积网络(SPN),通过学习和推理,SPNs 能够实现比标准深层网络更快和更准确的图形建模推理,例如在图像完成任务方面表现优异。
Feb, 2012
这篇论文提出了一种通过结合几何学和深度视觉表示学习的思想,将其嵌入移动视觉场景理解的递归网络架构中,以学习如何将 2D 视觉特征整合到场景的潜在 3D 特征映射中,通过不同 iable 几何操作进行预测和分割,十分成功。
Dec, 2018
本文中介绍了一种基于多维 LSTM 的递归图像模型,该模型可以捕获长距离像素之间的统计依赖,适用于纹理合成和补全等多项任务,并在多个图像数据集上的定量比较中表现优异。
Jun, 2015
本文提出了一个系统,用于生成和理解机器人交互设置中的动态和静态空间关系。机器人使用涵盖如 “跨越” 和 “在前面” 等空间关系的英语短语描述移动方块的环境。我们在机器人之间进行了系统评估,展示了该系统可以稳健处理视觉感知错误、语言遗漏和不符合语法的话语。
Jul, 2016
该论文介绍了使用距离度量学习的新方法来解决自主机器人在富含各种空间关系的人类中心环境中的空间关系学习问题,从而使其能够以灵活的方式学习任意的关系并进行泛化,这在非专家用户的辅助下以一个小数量的例子交互式地完成。
Mar, 2017
本文介绍了一个基于不同 iable mapping 和端到端学习的神经网络架构(Differentiable Mapping Network,DMN),用于机器人的制图和定位任务,特别是在只有少量观测数据的情况下。作者将 DMN 应用于稀疏的可视化定位任务中,并在模拟和真实世界数据上进行了评估,证明了 DMN 在视觉定位中学习有效的地图表示的优点。
May, 2020
本文提出了一种结合粒子滤波和基于信息增益的主动探索的主动推理方法,名为空间概念形成(SpCoAE),用于在家庭环境中自主地学习空间概念。实验证明该方法可以高效地确定适当的位置,形成适当的空间概念,快速覆盖环境。
Nov, 2022