本文利用专家示范解决关于建模长时间轨迹的问题,通过提出一种层次化神经网络结构,能够在高维状态空间中,自动识别长短期目标,进而实现不同于传统方法由单一策略为核心,解决了传统方法在涉及长期行为建模上的局限。作者以模拟篮球运动轨迹的案例为例,通过专业体育分析师的判断得出,相较传统基准方法,作者提出的层次化策略能够生成更为真实的轨迹。
Jun, 2017
该论文提出了一个新的多智能体轨迹预测模型,它通过交互式分层潜空间明确引入组内共识的概念,可以更好地捕捉群体层面和个体层面的互动,从而在两个多智能体场景中均实现了优异的性能表现。
Oct, 2022
通过 PLAYBEST 方法,结合基于历史 NBA 运动跟踪数据的生成模型和价值函数,对行动轨迹进行条件采样以及分类器引导采样,生成高效的篮球战术策略,表现优异,超过传统的规划技术,适应性和灵活性更强。
Jun, 2023
本研究提出了一种融合程序性弱监督和生成对抗网络的模型,通过对数据的离散潜变量和弱监督派生数据的标签估计进行对齐,从而更好地建模样本相关的弱监督结果的准确性,并通过合成样本实现了数据增强。实验结果表明,所提出的模型在多分类图像分类数据集上表现优异,同时提升了生成图像的质量和最终模型性能。
Mar, 2022
该论文提出了一种基于 Set Transformer 和层次结构的推理框架,用于通过球员轨迹推断足球的轨迹,实现了自然且准确的轨迹预测,并提出了几种实用的应用包括缺失轨迹计算与自动放映。
我们提出了一种轨迹预测框架,能够捕捉人行轨迹的社会交互变化和断开的流形,并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。
Nov, 2023
本文提出了一种基于 transformer 和概率生成模块的弱监督方法,用于学习从自然语言指令中提取过程规划,避免了对训练视频进行昂贵的时序视频标注,并在三个数据集上的对比实验证明其优于之前的全监督模型。
May, 2022
通过引入嵌入于 Transformer 编码器中的 Ghost Spatial Masking 模块进行空间特征提取,将 State Space Models (SSMs) 扩展为双向时间 Mamba 以捕捉时间依赖性,以及结合双向时间比例变换 (Bidirectional Temporal Scaled) 模块来全面扫描轨迹,本研究通过多功能生成框架首次解决了这个统一问题,增进了我们对多智能体运动的理解。
May, 2024
本文提出了一种自我监督的方法来生成多样且自然的人体动作,通过分解生成任务并使用记忆库检索动作引用作为短程片段生成的源材料,并通过参数化的双向插值方案保证了生成运动的物理合理性和视觉自然性。在大规模的骨架数据集上,我们展示了这个方法在生成长距离、多样化和合理化运动方面的能力,并且这种方法能够适应未见数据,在动态世界中这种生成的序列有实实在在的效果。
Aug, 2020
本文研究多个协调代理的演示的模仿学习问题,提出了一种综合了无监督结构学习和传统模仿学习的方法来同时学习潜在的协调模型和单个策略,通过在团队运动中学习多个策略的行为建模问题,表明了本文方法的强大之处。
Mar, 2017