探讨一种可学习到的通用行动策略用于室内环境中仅通过视觉输入主动接近感兴趣的物体，提出了一种基于深度和语义分割作为策略学习模块输入的新解决方案 GAPLE，通过实证研究在 House3D 数据集上和真实世界情境中的物理平台上进行验证并提供了深入的定性分析。

Sep, 2018

深度学习已经在机器人视觉任务中取得了显著进展，但大多数现有的深度学习方法依赖于传统的计算机视觉流水线中固有的静态推理范例。最近的研究发现，积极感知通过超越这些静态模式来改善各种模型的感知能力。本文提出了一个通用的监督式积极感知流水线，用于目标检测，可以使用现有的现成目标检测器进行训练，同时利用仿真环境的进展。为此，所提出的方法采用了额外的神经网络架构，在目标检测器置信度不足时估计更好的视点。所提出的方法在 Webots 机器人模拟器构建的合成数据集上进行了评估，展示了在两种目标检测情况下其有效性。

Dec, 2023

为了解决识别模块对于意外输入的处理能力不足的问题，我们将主动识别视为一种按步骤的证据收集过程，在证据组合理论的指导下提供逐步的不确定性量化和可靠的预测。此外，本文提出的奖励函数有效地表征了在开放环境中操作时行动的价值，并通过一系列识别和鲁棒性分析的实验，演示了引入不确定性到主动识别以及所提方法的出色性能。

Nov, 2023

研究了基于强化学习的互动感知系统在场景探索和物体搜索方面的应用，结果表明该方法不再需要预定义的启发式模型，可在模拟和现实世界中有效地解决这一任务。

Nov, 2019

本文提出了一种基于二个子策略的框架，即 角落导向探索策略 和 类别感知识别策略，用于提高基于 3D 场景表示的目标导航能力，从而大大改善 ObjectNav 的性能，并在 Matterport3D 和 Gibson 数据集上实现最佳表现，同时训练时的计算成本较其他模块化方法降低了 (高达 30 倍)。

Dec, 2022

本研究对物体目标视觉导航进行了研究，旨在通过强化学习算法学习智能体的策略。我们提出了一种新的注意概率模型来改进代理策略，并在常用数据集上取得了最先进的结果。

Apr, 2021

本研究采用协作多智能体深度强化学习算法，通过交互检测目标间的上下文线索，实现联合主动目标本地化，并在多个对象检测基准上验证了该方法的性能提升及其揭示的可解释的共同检测模式。

Feb, 2017

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

本文研究了具体化视觉主动学习任务，该任务通过选择性的视野请求注释来探索三维环境，以获取场景理解，我们通过开发一系列智能体来研究具体化视觉主动学习，其中智能体配备语义分割网络，并使用深度强化学习以及奖励函数平衡任务性能和必要注释数据请求，得到了可靠的结果。

Dec, 2020

本文介绍了一种用于学习具有高度通用策略表示的动态操作行为的新方法，该方法可以扩展最近开发的策略搜索方法，并使用迭代重新拟合的时间变化线性模型来学习所需运动技能的一组轨迹，然后将这些轨迹统一到一个单一的控制策略中。

Jan, 2015