本文介绍了一种快速在线算法,可以学习不同区域的平均人群密度,并将其合并到现有导航结构中,模拟实验表明这种算法可以更快、更安全地指引机器人到达目标地点。
Oct, 2017
本文介绍了 HabiCrowd,这是第一个将人群动态模型与不同人物设定集成到逼真环境中的视觉导航基准,实证评估表明,我们提出的人体动力学模型在避碰方面具有卓越的计算效率和最新技术性能,利用 HabiCrowd 进行了人群感知视觉导航任务和人机交互方面的几项研究。
Jun, 2023
本文研究了通过真实或人工合成手段生成的人群数据集,利用模拟工具可以显著减少生成特定场景的人群数据集所需的时间,并辅助构建功能机器学习模型,开发了一个名为 CrowdSim2 的人群模拟器,并在应用于人员追踪算法中证明了其可用性。
Apr, 2023
模拟是一个强大的工具,可以轻松生成带有注释的数据,特别适用于那些需要大型训练数据集的学习模型的领域。我们介绍了一个名为 UniCrowd 的人群模拟器及其关联的验证流程,展示了该模拟器如何生成适用于计算机视觉任务的带注释数据,并包括人群计数、人体姿势估计、轨迹分析和预测以及异常检测等相关应用。
Dec, 2023
教授自主移动机器人在人群中成功导航是一项具有挑战性的任务,该论文采用神经网络来学习机器人在现场的特定策略,以考虑人类行为和对真实机器人的反应,同时针对各种情景学习相应策略,并对方法、实验结果进行了定量评估。
Apr, 2024
研究介绍了支持多感官模型的导航目标定位的 MINOS 仿真器,用于分析环境复杂性对导航性能的影响及传感器学习的多模态控制研究,实验表明:深度强化学习方法无法适用于大规模的现实环境中,多模态学习可有助于学习在拥挤场景中导航。
Dec, 2017
介绍了 Arena-Rosnav 2.0 平台,它是 Arena-Bench 和 Arena-Rosnav 的一个扩展,通过增加测评功能的 APIs,集成了更多更真实的仿真和行人行为,它经过了成功的用户研究和可行性测试。
Feb, 2023
本文介绍了 SUMMIT 模拟器,它使用开源 OpenStreetMap 地图数据库和我们早期工作中开发的多智能体运动预测模型,在密集的、无规则的城市交通中模拟异构智能体的行为,支持感知、车辆控制和规划以及端到端学习等广泛应用,在具有挑战性的拥挤驾驶场景中生成复杂、逼真的交通行为,并提供上下文感知的规划器和基准测试场景。
Nov, 2019
本文提出了一种模型,通过模拟人 - 人和人 - 机之间的交互,在考虑空间定位的前提下预测机器人在人群中的未来轨迹,对比实验表明该模型对于长时间段内的轨迹预测表现优于现有技术。
May, 2017
提出了一种基于深度强化学习和碰撞概率(Collision Probability,CP)的机器人人群导航方法,以解决机器人导航不稳定性问题。在不同密度的人群行为情景中进行了测试,并与当前最先进的 DRL 方法进行了比较,结果表明该方法表现出色,而且高度泛化。