DeepMoTIon: 学习像人类一样导航
本文提出了一种新的在步行丰富的环境下进行自主导航的算法,该算法使用基于展示和指导的行为学习,结合深度卷积神经网络和分层嵌套策略选择机制,能够有效地学习专家干预并成功地在实际世界中进行自主导航。
Nov, 2018
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
本研究提出了一种新方法,通过从社交动作潜空间中学习生成机器人控制来实现社交机器人导航。该方法在社交导航度量指标(如成功率、导航时间和轨迹长度)方面取得了显著改进,同时产生更平滑(较小加速度和角度偏差)和更具预测性的轨迹。通过与基准模型在不同场景下的比较,验证了该方法的优越性。此外,引入了人类对机器人的认知概念到社交机器人导航框架中,表明融入人类的意识可以导致更短、更平滑的轨迹,因为人类能够与机器人积极互动。
Oct, 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
SocioSense 是一种实时算法,用于基于 Bayesian 学习和人格特征预测每个行人的时间变化行为,从而改善机器人在人群中的导航性能。
Jun, 2017
提出了一种社交关注的轨迹预测模型,该模型可以捕获人们在拥挤环境中导航时每个人的相对重要性,不受其接近性的限制。该模型通过对两个公开数据集的表现进行实证分析,对比了现有方法的性能,并分析了训练后的注意力模型,以获得更好地理解人类在拥挤环境中导航时关注周围团队的特点。
Oct, 2017
提出了一种端到端的基于深度学习的模型,该模型使用来自不同导航模式的数据直接学习人类的运动模式,包括一个软关注机制和一种新颖的方法来预测动态轨迹,同时还考虑了场景中的静态物体存在,通过在行人轨迹数据集上的测试结果显示,可以显著优于现有的最新技术水平,也可以自然地扩展到同时处理多个移动模式。
May, 2017
自主移动机器人需要通过其载有的传感器 (如 LiDAR 和 RGB 相机) 感知环境,并做出适当的导航决策,为了在人类居住的公共空间中导航,这个导航任务不仅仅是避开障碍物,还需要考虑周围的人类及其意图,以对应社会规范进行导航行为的微小变化,机器学习方法在以数据驱动的方式捕捉这些复杂而微妙的社交互动方面显示出了有效性,而无需显式手工制作简化模型或代价函数,考虑到多种可用传感器模态和学习方法的效率,本文通过使用大规模真实数据集对使用多模态感知学习社交机器人导航进行了全面的研究,该研究分析了在不同社交场景中的全局和局部规划水平上的社交机器人导航决策,并将单模态和多模态学习与一组经典导航方法进行对比,同时从学习的角度分析了训练和泛化性能,我们还进行了一个人体研究,探究了使用多模态感知进行学习如何影响感知到的社交合规性,结果表明,与单模态学习相比,多模态学习在数据集和人体研究中具有明显优势,我们开源了代码,供社区在未来研究中使用多模态感知学习社交机器人导航。
Sep, 2023
通过生成对抗性模仿学习策略及原始深度输入,我们提出了一种针对移动机器人在动态环境中与行人相对导航的方法,该方法能够遵守社交规范。在实验中,我们的基于 GAIL 的方法大大提高了移动机器人行为纯克隆方法的安全性和效率。同时,我们还公开了一种基于社会力模型的行人行为建模的仿真插件。
Oct, 2017