主动神经定位
提出了一种用于在场景中定位目标物体的主动检测模型,该模型是类特定的,并允许代理集中注意力于识别目标物体的候选区域,通过深度强化学习训练定位代理,并在 Pascal VOC 2007 数据集上评估,结果表明,使用该模型指导的代理能够在分析图像中仅仅探测 11 到 25 个区域后定位一个物体实例,并且在不使用物体提议进行物体定位的系统中取得了最佳的检测结果。
Nov, 2015
本研究提出了一个轻量级、全 CPU 基于的 “图神经本地化器” 框架,旨在解决语义定位问题。该框架结合了场景图和图神经网络技术,首先训练了一个场景图分类器用于被动视觉,然后将其知识转移到强化学习规划器用于主动视觉。实验表明,该方法在自我监督学习和无监督域适应两个场景下都具有效果。
May, 2023
我们提出了一种具有不断学习的神经场景表示的主动映射问题,即主动神经映射。关键在于通过高效的代理移动主动地找到要探索的目标空间,从而在以前未见过的环境中实时地最小化地图的不确定性。本文研究了不断学习的神经场中的权重空间,并通过实验证明了神经变异性,即针对随机权重扰动的预测稳健性,可以直接用于测量神经映射的即时不确定性。结合神经映射中继承的连续几何信息,代理可以被引导找到可穿越的路径,逐渐了解环境。我们首次提出了一种具有基于坐标的隐式神经表示的在线场景重建的主动映射系统。在视觉逼真的 Gibson 和 Matterport3D 环境中进行的实验证明了该方法的有效性。
Aug, 2023
论文介绍了一种名为 Active Neural SLAM 的模块化和分层方法来学习探索 3D 环境的策略,并在真实的 3D 环境中进行实验,结果表明该方法比过去的学习和几何方法更有效。
Apr, 2020
通过使用 SLAM 技术的设备,本研究探讨了如何通过主动的视觉定位来克服视角变化的挑战,并提出了一种新颖的数据驱动方法,与现有方法相比在控制模拟实验和实际部署中展现出更高的性能。
Oct, 2023
本文介绍了一种基于深度强化学习的主动目标定位算法,比较了两种不同的决策过程方法:分层方法和动态方法,并进一步通过调整不同的超参数和架构变化对模型性能进行了消融研究。
Aug, 2022
本文介绍了活跃推理的理论,并利用深度学习的最新进展,构建能够处理高维传感器数据并进行主动推理的复杂生成模型,这是深度主动推理在真实世界机器人导航任务中的首次应用。
Mar, 2020
通过训练神经网络来实现全球本地化并应用于实际机器人场景,在二维平面中限制问题并大幅增加训练数据,可以得到紧凑的模型,实现了数厘米的定位精度,并在无人地面车上应用进行路径导航任务。
Nov, 2022
本文提出了一种基于神经网络的深度主动学习框架,将其应用于非线性系统识别中,通过在不同输入空间区域中局部探索系统动力学,从而获得了覆盖更广泛输入空间的模拟数据集,并结合信息量测量和神经网络的预测方差等指标来实现最佳数据采集,相较于使用标准数据采集方法,本文所提出的方法在仿真数据的系统识别中表现更佳。
Feb, 2023
我们设计了一种新的可微架构 Neural Graph Optimizer,由本地姿态估计模型、新颖的姿态选择模块和新颖的图优化过程组成,通过端到端的训练使网络自动学习与视觉里程计相关的领域特定特征,从而实现了 SLAM 的完整神经网络解决方案,并在模拟的 2D 迷宫和 3D ViZ-Doom 环境中展示了系统的有效性。
Feb, 2018