Mar, 2020

Who2com: 可学习握手通信的协作感知

PDF
TL;DR本文提出了 “协同感知” 问题，通过一个能够学习的方式，使机器人能够将其本地观察结果与相邻代理的结果组合在一起，以提高感知任务的准确性，在网络通信协议的启发下，提出了一个多级握手通信机制，以优化场景理解任务，如语义分割。在 AirSim-CP 数据集上的实验表明，我们的握手通信方法可以将准确率提高约 20％，与使用带宽的四分之一的集中式方法相媲美。
发现论文，激发创造
  • When2com: 基于通信图分组的多智能体感知

    本文提出一个学习通信组和决定何时通信的通信框架，可以在两种不同的感知任务上展示其广泛适用性，并显示它显著减少了通信带宽并保持了优异的性能。

    May, 2020

  • 学习通信感知协调的机器人群体模拟

    本研究主要探讨了如何应用基于观察专家演示的控制器学习算法，训练出端到端的神经网络，用于解决协作多智能体系统中的分布式控制问题，实验结果表明，使用通信策略可以有效提高分布式模型的性能。

    Feb, 2023

  • 学习沟通和纠正姿态误差

    本文针对 V2VNet 提出了一种基于神经推理框架的学习通信方法，用于改善多智能体自动驾驶感知和运动预测系统在存在实际和严重本地化噪声情况下的鲁棒性。

    Nov, 2020

  • 利用不完美通信的增强协同感知自动驾驶车辆

    通过合作感知技术提高自动驾驶车辆在不利环境下的视觉感知质量，采用最佳辅助车辆优化协同感知并提高目标检测准确性，特别关注行人检测，验证结果表明该方法在挑战场景中提高了协作感知性能和驾驶安全。

    Apr, 2024

  • 团队协作感知的对抗性鲁棒性实现 —— 基于共识机制

    提出了一种新型的基于采样的防御策略 ROBOSAC，该策略可以保证多个机器人协同感知的结果一致性，有效应对深度学习中的对抗攻击，并在自主驾驶场景中有效驱动协同 3D 物体检测任务。

    Mar, 2023

  • CoPeD - 推进多机器人协同感知：一个实际环境中的综合数据集

    过去十年中，虽然单一机器人感知取得了重大进展，但多机器人协同感知的研究仍未被广泛探索。本文提出了一个开创性的全面真实世界的多机器人协同感知数据集，用于推动这一领域的研究。我们的数据集利用了空中 - 地面机器人协同的未发掘潜力，具有不同的空间视角、互补的机器人移动性、覆盖范围和传感器模态。它提供了原始传感器输入、姿态估计和可选的高级感知注释，以适应各种研究兴趣。与现有主要设计用于同时定位和地图构建（SLAM）的数据集相比，我们的设置确保了多样化的传感器视角范围和足够的重叠以促进多机器人协同感知算法的研究。我们通过多个协同感知任务定性地证明了这个数据集的价值。我们相信这项工作将在多模态协同感知中解锁高级场景理解的潜在研究。

    May, 2024

  • 基于图神经网络的多机器人协同感知

    本文提出了一种通用的图神经网络（GNN），旨在通过协同感知能力，提高多机器人视觉感知任务的单个机器人推断感知准确性，并提高其对传感器故障和扰动的恢复能力。该方法已在多种实验场景中进行了验证。

    Jan, 2022

  • 多智能体强化学习：实用沟通和控制

    这篇论文提出了一种名为 “Cyber-Physical POMDP” 的模型，将目标导向通信和网络控制相结合，以实现分散的移动机器人的协调，通过联合训练可以显着提高总体性能并可导致通信行动的隐式协调。

    Feb, 2023

  • 时延感知的协同感知

    该论文提出了一种机器学习视角下的首个延迟感知的协同感知系统，通过使用 SyncNet，着重于实现异步感知特征的特征级同步来提高协作的鲁棒性和效果，并证明了该方法在通讯延迟场景下优于现有的协同感知方法，且在严重延迟情况下，协同感知仍优于单个智能体感知。

    Jul, 2022

  • 多智能体协作感知中的实用沟通

    通过合作感知，我们提出一种多智能体合作的感知系统 PragComm，通过主动选择消息、优化消息表示和选择有益的合作者，从而降低通信成本并提高任务性能。

    Jan, 2024