Aug, 2022

未知杂乱环境中的机器人主动神经感知与规划

PDF
TL;DR本篇研究提出了一种主动感知的机器人模型，通过视觉观测、场景建模以及物体形状推断，生成机器人示意图的可行运动路径，以达到在未知，复杂环境下收集足够视觉观测数据的目的。基于人工合成的数据集，实现了在实际狭小、遮盖的环境中进行物体还原的过程，并证明了其在规划和视角数等方面的高效性。
active sensingroboticsneural sensingscene reconstructionobject shape inference
发现论文，激发创造
  • 基于在线语义重构的主动场景理解

    提出一种基于 RGBD 重建和语义分割的机器人操作主动理解未知室内场景的新方法，利用离线估计的离散视野分数场来驱动机器人的勘探扫描，结合基于体素的实时语义标注，优化遍历路径和相机轨迹，从而实现高效准确的在线场景解析。

    Jun, 2019

  • 利用交互感知在杂乱场景中找到物品

    研究了基于强化学习的互动感知系统在场景探索和物体搜索方面的应用，结果表明该方法不再需要预定义的启发式模型，可在模拟和现实世界中有效地解决这一任务。

    Nov, 2019

  • MANER：在混乱环境中的物体多智能体神经重新排列规划

    该研究提出了一种基于学习的综合框架，用于多智能体物体重新排列规划，在复杂环境中解决了任务排序和路径规划等挑战。实验证明了该框架的效果和鲁棒性，并改善了比基准方法更好的性能表现（遍历时间和成功率）。

    Jun, 2023

  • 多机器人环境现象主动感知信息路径规划：两种算法的故事

    本文提出了两种基于信息熵和互信息准则的高效信息论路径规划方法，可以改进高斯过程模型中异性场的主动感知性能，并优化时间效率。该算法在实际应用中可以比现有技术更有效，计算时间较短。

    Feb, 2013

  • 证据型主动识别：智能谨慎的开放世界具身化感知

    为了解决识别模块对于意外输入的处理能力不足的问题，我们将主动识别视为一种按步骤的证据收集过程，在证据组合理论的指导下提供逐步的不确定性量化和可靠的预测。此外，本文提出的奖励函数有效地表征了在开放环境中操作时行动的价值，并通过一系列识别和鲁棒性分析的实验，演示了引入不确定性到主动识别以及所提方法的出色性能。

    Nov, 2023

  • STAIR：语义目标驱动的主动隐式重建

    我们提出了一个新的框架，利用姿态化的 RGB-D 测量和 2D 语义标签作为输入，进行语义目标的主动重建，实现对感兴趣目标的自适应视角规划，从而在网格和新视角渲染质量方面实现更好的重建性能，超过不考虑语义的隐式重建基线和基于显式地图的最先进的语义目标主动重建流水线。

    Mar, 2024

  • 面向语义分割的视觉活动学习

    本文研究了具体化视觉主动学习任务，该任务通过选择性的视野请求注释来探索三维环境，以获取场景理解，我们通过开发一系列智能体来研究具体化视觉主动学习，其中智能体配备语义分割网络，并使用深度强化学习以及奖励函数平衡任务性能和必要注释数据请求，得到了可靠的结果。

    Dec, 2020

  • 无人机敏捷主动目标感知的强化学习

    本文提出了一种基于深度强化学习的方法，用于规划信息轨迹以增加无人机 (UAV) 发现丢失目标的可能性，以此来解决搜索和救援任务中的活动目标探测问题。

    Dec, 2022

  • 在杂乱环境中学习感知敏捷飞行

    提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

    Oct, 2022

  • 使用主动推理实现以物体为中心的场景表征

    本文提出了一种基于层次化对象中心生成模型的场景理解方法，利用神经启发式的行动和感知框架实现了代理的对象类别和姿态的推断，并提出了一个新的基准来评估主动视觉代理的行为，并表明我们的主动推理代理在平衡认知觅食和目标驱动行为方面表现优异，远胜于监督和强化学习基线。

    Feb, 2023