基于图神经网络的多机器人协同感知
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
本文展示了如何利用图神经网络来学习连接的机器人团队的分布式协调机制,并通过将机器人队伍建模为图形来捕捉机器人协调的关系。训练过程中,机器人学习如何传递信息和更新内部状态,以达到目标行为,然后通过局部估计团队网络拓扑的代理方法来考虑更复杂的问题。
May, 2018
本文提出了一种基于信息感知的图块网络 (I-GBNet),通过模仿学习和集中采样的专家求解器来训练,可以实现在一个由机器人组成的移动团队中定位和跟踪动态目标的应用。
Sep, 2022
通过结合感知、规划和预测,本研究提出了一种基于深度强化学习的多智能体社会感知导航策略方法,使用基于图的实体交互表示,并利用图神经网络和注意机制进行建模。实验证明,该方法在多个异构人群的复杂环境中能比社交导航深度强化学习单智能体技术更快地学习,并实现了高效的多智能体隐式协调。
Jan, 2024
在这篇论文中,通过对图神经结构进行综述,从机器人的角度探索了图学习在机器人应用中的潜力、挑战和各种应用案例,以期为读者提供深入的了解,并为未来的研究指明可能的方向。
Oct, 2023
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
本研究提出了一种基于注意力机制的图形卷积网络作为中间的协作感知解决方案,通过该方法实现了信息聚合并提高了物体检测精度,同时减少了网络资源的使用,有效地解决了智能交通系统中的协作感知问题。
May, 2023