我们提出了一种具有不断学习的神经场景表示的主动映射问题，即主动神经映射。关键在于通过高效的代理移动主动地找到要探索的目标空间，从而在以前未见过的环境中实时地最小化地图的不确定性。本文研究了不断学习的神经场中的权重空间，并通过实验证明了神经变异性，即针对随机权重扰动的预测稳健性，可以直接用于测量神经映射的即时不确定性。结合神经映射中继承的连续几何信息，代理可以被引导找到可穿越的路径，逐渐了解环境。我们首次提出了一种具有基于坐标的隐式神经表示的在线场景重建的主动映射系统。在视觉逼真的 Gibson 和 Matterport3D 环境中进行的实验证明了该方法的有效性。

Aug, 2023

在这篇论文中，我们提出了一种名为 MANTM（Multi-Agent Neural Topological Mapping）的方法，用于改善多智能体探索任务的效率和泛化能力，通过构建包含主要节点和对应虚拟节点的图形，以及使用图神经网络从粗到细的方式捕捉智能体与图节点之间的相关性进行全局目标选择。通过在模拟器 Habitat 中进行广泛实验，我们发现 MANTM 在未见过的场景中，相比于基于规划和基于强化学习的竞争方法，可以将步骤至少减少 26.40％和 7.63％。

Nov, 2023

该论文介绍了一种使用图强化学习 (GRL) 框架来学习多机器人任务分配 (MRTA) 的启发式或激励的方法，其中使用胶囊注意力策略模型来学习如何赋予任务 / 机器人配对 (边) 在将任务集与机器人集连接的二分图中的权重。该方法与使用专家指定启发式的原始二分图匹配方法性能相当，但具有显著的鲁棒性优势。在训练过程中，学到的激励策略与专家指定的激励策略初始接近，然后稍微偏离其趋势。

Mar, 2024

通过训练神经网络来实现全球本地化并应用于实际机器人场景，在二维平面中限制问题并大幅增加训练数据，可以得到紧凑的模型，实现了数厘米的定位精度，并在无人地面车上应用进行路径导航任务。

Nov, 2022

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

本研究提出了一种组合模型，结合卷积神经网络和图神经网络，用于多机器人路径规划中的通讯问题，并在模拟中取得了接近专家算法的性能和有效性。

Dec, 2019

本研究提出了一个轻量级、全 CPU 基于的 “图神经本地化器” 框架，旨在解决语义定位问题。该框架结合了场景图和图神经网络技术，首先训练了一个场景图分类器用于被动视觉，然后将其知识转移到强化学习规划器用于主动视觉。实验表明，该方法在自我监督学习和无监督域适应两个场景下都具有效果。

May, 2023

本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

Jul, 2019

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

通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

Mar, 2024