Apr, 2017

平面推动的概率数据驱动模型

PDF
TL;DR本文提出了一种数据驱动的方法来建模平面推动交互，以预测推动的最可能结果及其期望的可变性，并使用变分异方性高斯过程 (VHGP) 来学习模型。我们展示了该方法只需不到 100 个样本就能学习准确的模型，并在 1000 个样本以内即可达到性能饱和。通过我们收集的轨迹数据集来验证了结果的准确性，并使用学习的模型研究了推动的可变性和准静态假设的有效性。
发现论文，激发创造
  • 超过百万种被推动的方式：高保真平面推动实验数据集

    本研究通过设计一个完备的高保真度的平面推测数据集，以分析摩擦下推动物体的变化、发掘模型的局限并获得更为实验化的了解。

    Apr, 2016

  • 使用随机神经网络增强物理模拟器：平面推动和弹跳案例研究

    通过在运用神经网络建立物理仿真器的基础上对不确定因素的模拟，可以提高对机器人状态估计、规划与控制领域的应用性能，本文基于改进的解析刚体模拟器，开发了针对平面推动和球体反弹两种情景的仿真器，并采用神经网络学习模拟不确定因素，与符号式确定性模拟器相结合，使神经网络可具备省资源、通用性高等特性以提高性能。这种将符号式确定性模拟器与可学习、随机性神经网络结合起来的方法在真实标准测试中优于纯解析方法和纯学习方法，相比采用高斯过程技术的方法而言，速度更快，泛化能力更强，能够描述物体轨迹的复杂分布。

    Aug, 2018

  • 高斯过程运动规划的统一变分框架

    基于变分高斯过程的机器人运动规划算法，通过统一和概括各种基于概率推断的运动规划算法，平衡了路径的成功率和质量，并且提供了不确定性估计。

    Sep, 2023

  • 基于高斯过程和低维交互结构的二阶粒子动力学数据驱动模型选择

    本文通过数据驱动的方法，提出了一种基于粒子的模型，使用基于高斯过程的方法来对相互作用的动力学系统进行建模，并利用小型数据集证明了该方法在描述非线性动力学系统方面的有效性。

    Nov, 2023

  • 变分高斯过程动态系统

    本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题，同时在潜空间中学习动态先验，并允许自动确定潜在空间的维数，该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。

    Jul, 2011

  • 高斯过程波动率模型

    使用高斯过程的贝叶斯方法预测金融数据中的时间变化方差，相较于标准模型，新模型具有更高的预测性能。

    Feb, 2014

  • 大数据的高斯过程

    介绍了一种基于随机变分推断方法的高斯过程模型，该方法使高斯过程模型能够应用于包含数百万数据点的数据集，并在需要执行变分推断的情况下，演示了如何将高斯过程分解为依赖于一组全局相关的引出变量的方法，并将其扩展到基于高斯过程的潜变量模型和具有非高斯似然度的模型。作者在简单玩具问题和两个真实数据集上展示了这种方法。

    Sep, 2013

  • 利用高斯过程模拟人类驾驶员的操作行为

    本文提出一种基于多输出高斯过程的模拟人类驾驶员交互的方法，并将其作为 “层次化推理” 方法的改进。提出的方法采用连续域框架使无限的策略空间成为可能，进而为自动驾驶控制算法的验证创建高保真仿真平台。

    Jan, 2022

  • 使用推拉学习方案的高斯混合建议来捕捉弱监督时态视频铺垫的多样事件

    通过引入高斯混合建议 (GMP) 和拉推学习模式，我们提出了一种新的弱监督时序视频定位方法。我们的方法在包括各种重要性、质心和范围的每个高斯中学习，以达到对复杂事件的有效表达和各种情况下的良好性能。

    Dec, 2023

  • 变分高斯过程状态空间模型

    该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。

    Jun, 2014