基于深度学习的室内自主导航行为方法
本文介绍一种基于图神经网络和卷积 / 循环神经网络实现的原始行为分解的、使用拓扑地图进行视觉导航的新方法,并在 Gibson 模拟器中验证了其在已知和未知环境中导航的性能优于相关基准线。
Mar, 2019
本研究主要探讨了如何在复杂环境下使用语义视觉导航技术,通过使用实时现成的高级语义和语境特征来训练深度神经网络的方式进行导航决策,并通过将现实和虚拟数据的特征表示结合起来提高模型的学习效果达到更高的导航性能。
May, 2018
提出一种广义计算图,包含基于价值的无模型方法和基于模型的方法,通过学习从原始图像中学习导航模型,实现样本高效,并利用模拟实验和实际应用验证了新方法的优越性。
Sep, 2017
本文研究图像目标导航问题,提出了一种基于拓扑表示法、语义特征和监督学习算法的解决方案,在视觉和物理仿真实验中部署该算法,与现有方法相比,在长时间任务中呈现出 50%以上的相对提高。
May, 2020
该论文提出一种基于深度强化学习的城市级别自主导航模型,采用 Google StreetView 进行环境交互和训练,具备可迁移性和区域特征一致性,实现了在多个城市环境下自主导航到目标位置。
Mar, 2018
提出了一种机器人系统的新方法,其中一个较大系统的每个构件都表示为可微分的程序,即深度神经网络,应用到一个具有挑战性的部分可观测机器人导航任务中。在预测性模拟实验中,成功训练 Navigation Networks(NavNets)来解决这个具有挑战性的部分可观察的导航任务。
Jul, 2018
DeepNav 是一个基于卷积神经网络(CNN)的算法,使用城市街景图像实现导航;使用 10 个城市图形和超过 100 万个街景图像组织的数据集,提出了 3 种监督学习方法,并表明可以使用 A * 搜索在城市图中生成学习的监督。
Jan, 2017
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
本文提出了一种使用语义决策使得服务机器人在室内环境中进行导航的架构和方法,使用 GeoSem 映射和以 RGB 为自我视角的相机感知。该方法通过考虑机器人的能动性和场景、物体及其关系的语义表示来指导机器人导航,实验结果表明该方法在游戏化评估中的平均完成时间上优于人类用户。
Oct, 2022
本文提出一种基于循环图神经网络和注意力机制的新型 RL 方法,通过捕捉时空中多种交互类型来预测人类行为意图,并将该预测应用于无模型 RL 框架中以避免机器人干扰其他个体,从而在人群中实现机器人的安全、高效导航。
Mar, 2022