我们针对导航问题进行研究,提出了一种使用空间语义元素的神经代理导航模型,并探究了它们对导航代理的推理能力的影响。研究结果表明,指令中显式建模空间语义元素可以改善模型的基础和空间推理能力,并在已见及未见环境上取得了竞争性的性能。
May, 2021
提出了一种基于占用状态预测的导航方法,该方法利用了车辆自身的 RGB-D 观察结果来推断不可见区域的占用状态,进而加快了车辆的空间认知,提升了在 3D 环境中的探索和导航效率。在 Gibson 和 Matterport3D 数据集上,该方法在顺序决策任务中表现优于 state-of-the-art 方法,是 2020 Habitat PointNav 挑战赛的获胜者。
Aug, 2020
本研究对物体目标视觉导航进行了研究,旨在通过强化学习算法学习智能体的策略。我们提出了一种新的注意概率模型来改进代理策略,并在常用数据集上取得了最先进的结果。
Apr, 2021
本文提出了一种基于二个子策略的框架,即 角落导向探索策略 和 类别感知识别策略,用于提高基于 3D 场景表示的目标导航能力,从而大大改善 ObjectNav 的性能,并在 Matterport3D 和 Gibson 数据集上实现最佳表现,同时训练时的计算成本较其他模块化方法降低了 (高达 30 倍)。
Dec, 2022
本文介绍了一种基于视觉位移估计和任务特定导航策略的点目标导航代理,该代理可适应嘈杂的传感器和动作动态,并在 CVPR 2020 Habitat Challenge 的 PointNav 跟踪中获得亚军。
Sep, 2020
通过引入多智能体系统和环境协同演化的观点,本研究提出了一个多智能体导航的去中心化问题,通过协同算法交替优化智能体行为和环境配置,选择最优的智能体动作和障碍物配置,以提高导航性能。通过策略梯度方法,在协同框架中建立了无模型学习机制,并进行了收敛性分析和对比实验,结果显示优化的环境配置对解决智能体运动冲突至关重要。
Mar, 2024
本研究针对灾难管理中的撤离规划问题,结合数学优化和启发式搜索,提出了可优化多种目标函数的规划方法 MIP-LNS 及其进化版 MIP-LNS-SIM,前者在限制时间内能够找到更优的方案,而后者结合基于代理模型的延误评估可同时达到高效的撤离规划和小误差的撤离完成时间预测。实验结果基于休斯顿哈里斯县的道路网络和人口数据,验证了方法的可行性和实用性。
Sep, 2022
本文提出了一种通过主动学习生成语义地图的框架,在未知环境下实现目标物体导航,通过在未观察区域内的语义类别的不确定性进行决策,实现了对场景中语义优先级的学习,并在 Matterport3D 数据库上验证了改进的导航效果。
Jun, 2021
本论文提出了一个名为 ALAN 的新方法,用于多智能体导航,通过将该问题转化为动作选择问题,允许智能体根据本地条件动态调整它们的行为以实现时间高效和无碰撞的移动,相对于现有方法,该方法在拥挤的空间中实现更高效的全局行为。
Oct, 2017
本文介绍了一种快速在线算法,可以学习不同区域的平均人群密度,并将其合并到现有导航结构中,模拟实验表明这种算法可以更快、更安全地指引机器人到达目标地点。