Nov, 2019

利用交互感知在杂乱场景中找到物品

PDF
TL;DR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。
interactive perceptionreinforcement learningscene explorationobject searchrobotics
发现论文，激发创造
  • 基于搜索的多目标感知与定位

    本文介绍了一种名为 PERCH 的算法，它通过产生可能性场景，寻找最佳的传感器数据解释，解决了多物体识别和定位任务中常见的遮挡问题，并在实际 RGB-D 测试数据上验证了其优越性。

    Oct, 2015

  • Active Object Perceiver：基于识别引导的移动机器人目标搜索策略学习

    本文通过机器人视觉输入来学习其在室内环境中寻找感兴趣物体的导航策略，并提出了一种基于深度学习和强化学习的新型框架，结合了目标识别模块和动作预测机制，并使用一种新的衰减奖励函数来验证所提方法的有效性，通过模拟和实际机器人实验表明了其方法在平均轨迹长度和成功率方面优于竞争方法。

    Jul, 2018

  • 在杂乱环境中学习感知敏捷飞行

    提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

    Oct, 2022

  • 交互感知：利用行动感知和感知行动

    探讨交互感知在机器人领域的原理和应用，强调交互作用可以产生更丰富的感知信号，并且感官数据和运动参数的组合空间中的规律性知识可以促进预测和解释信号，同时分析现有工作，并提出未来需要解决的问题。

    Apr, 2016

  • 未知杂乱环境中的机器人主动神经感知与规划

    本篇研究提出了一种主动感知的机器人模型，通过视觉观测、场景建模以及物体形状推断，生成机器人示意图的可行运动路径，以达到在未知，复杂环境下收集足够视觉观测数据的目的。基于人工合成的数据集，实现了在实际狭小、遮盖的环境中进行物体还原的过程，并证明了其在规划和视角数等方面的高效性。

    Aug, 2022

  • 使用主动推理实现以物体为中心的场景表征

    本文提出了一种基于层次化对象中心生成模型的场景理解方法，利用神经启发式的行动和感知框架实现了代理的对象类别和姿态的推断，并提出了一个新的基准来评估主动视觉代理的行为，并表明我们的主动推理代理在平衡认知觅食和目标驱动行为方面表现优异，远胜于监督和强化学习基线。

    Feb, 2023

  • 机器视觉场景理解挑战赛

    利用模拟技术和新的测试方法，提出了一种用于测试具有主动机器人视觉系统的场景理解系统的标准挑战，旨在推动场景理解领域的最新研究。

    Sep, 2020

  • 使用物体感知表达式的多物体场景视觉运动控制

    本文探索运用物体感知表征学习技术进行机器人任务，自监督学习方法可降低实际世界中收集大量标记数据的成本，该研究展示物体感知表征学习技术在策略学习和物体定位预测方面显著提高了当前技术的效能和表现。

    May, 2022

  • 通过信念空间控制学习主动触觉感知

    机器人在开放环境中操作时，会遇到未知的物理特性的新对象，需要通过交互来感知这些特性，并利用生成的世界模型来估计物体的物理参数，并开发一种信息收集模型预测控制器，以自主学习触觉探索策略。我们的研究在虚拟环境中评估了这种方法，发现我们的方法能够以直观的方式高效地收集关于所需特性的信息。最后，我们在真实机器人系统上验证了我们的方法，成功地从零开始学习和执行信息收集策略以估计物体的高度。

    Nov, 2023

  • 证据型主动识别：智能谨慎的开放世界具身化感知

    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