Jun, 2020

深度视觉推理：从初始场景图像学习预测任务和运动规划的动作序列

PDF
TL;DR本文提出了一种基于场景图像的深度卷积循环神经网络，可用于从一个初始化的场景图像中预测任务与运动规划中的动作序列。该网络可避免组合复杂性并具有很好的泛化性能，可加速任务与运动规划的运行时间。
deep convolutional recurrent neural networktask and motion planningimage-based action sequence predictionneural network generalizationscene image analysis
发现论文，激发创造
  • 基于序列的计划可行性预测，以优化任务和动作规划

    我们开发了一种基于 Transformer 的架构 PIGINet，该架构可通过融合图像和文本嵌入以及状态特征，预测计划可行性，并根据预测的满足度排序 TAMP 计划器生成的计划骨架，从而能够大大提高可行性规划的效率。

    Nov, 2022

  • 利用神经可行性检查加速集成任务和运动规划

    本研究介绍了利用卷积神经网络来训练神经可行性分类器（NFC），实现自动分类任务计划中提出的动作方案的可行性，从而在多步操作任务中有效降低规划时间。

    Mar, 2022

  • 视频帧瞥片段的端到端动作检测学习

    该研究提出了一种直接预测动作时间边界的完全端到端的方法，其中模型作为一个基于循环神经网络的智能体与视频交互，并使用 REINFORCE 来学习决策策略，取得了 THUMOS'14 和 ActivityNet 数据集的最先进结果。

    Nov, 2015

  • 使用深度神经网络进行 Atari 游戏中的动作条件视频预测

    本文提出并评估了两种基于卷积神经网络和循环神经网络的深度神经网络架构，能够生成高维度视频的长期预测并取得了良好的可视化效果和控制功能。

    Jul, 2015

  • 利用强化学习进行神经运动规划

    本研究通过比较监督式学习与强化学习算法，提出了一个适用于动作规划领域的 DDPG-MP 算法，该算法有助于解决运动规划中数据不足的问题，并在新领域的规划中实现了较快速度。

    Jun, 2019

  • 时序段网络：深度动作识别的良好实践

    本文提出了一种新的视频动作识别框架 - TSN，并探究了在时间段网络的帮助下学习 ConvNet 模型的一系列良好实践策略。实验结果表明，本方法在 HMDB51（69.4%）和 UCF101（94.2%）数据集上取得了最先进的性能。我们还可视化了学习到的 ConvNet 模型，定性展示了时间段网络和所提出良好实践的有效性。

    Aug, 2016

  • 深度预测策略训练采用强化学习

    通过使用深度预测策略训练框架，该研究提出了一种有效的方法来训练预测动作策略，使用合成和模拟训练样本来强制进行视觉和运动数据的抽象，以及使用策略搜索强化学习方法来训练每个任务的策略超层，该框架在 PR2 机器人上训练物体抓取和投球等技能任务，并且训练样本只使用了约 180 次实际机器人尝试，达到了很好的效果。

    Mar, 2017

  • 深度视觉预见性规划机器人动作

    本论文提出一种基于无标注训练数据的方法，结合深度动作条件视频预测模型和模型预测控制，使真实机器人能够进行非抓取操作，比如推动物体，并且可以处理训练过程中没有出现过的新物体。

    Oct, 2016

  • 使用深度继承表示进行视觉语义规划

    本文提出了一种基于强化学习和模仿学习的视觉语义计划解决方案，使用后继表示来实现跨任务的泛化，用于预测将动态环境从初始状态转换到目标状态的操作序列，在 THOR 环境中实现了近乎最优的结果。

    May, 2017

  • 基于深度学习的单张图像视觉路径预测

    本研究提出了一种深度学习框架，同时进行视觉表示的深度特征学习以及时空上下文建模，以实现准确的视觉路径预测，并构建了基准数据集进行综合性评估，得到了优于现有方法更好的泛化能力和性能表现。

    Jan, 2016