Sep, 2022

SGTM 2.0：利用交互感知自主解缠长电缆

PDF
TL;DR介绍了一种基于 SGTM 2.0 系统的机器人系统，该系统使用一系列的操作减少每步的不确定性来自动解开长达 3 米的电缆的缠绕，对于包含 1 或 2 个上结或八字结的电缆，SGTM 2.0 可以实现 83％的解开成功率，且在解缠准确度上比 SGTM 1.0 提高了 43％，在全面普及速度上提高了 200％。
发现论文，激发创造
  • VTGNet：面向城市环境的自主驾驶车辆的基于视觉的轨迹生成网络

    本论文提出了一种基于模仿学习的不确定性感知的端到端轨迹生成方法，能够从前置相机图像中提取空时特征，并能在不同环境中生成可靠的轨迹，具有优于现有最先进的端到端控制方法的跨场景 / 平台驾驶结果。

    Apr, 2020

  • 基于不确定性感知的基础动作转换：用于交通信号控制的模拟到实际转换

    本文提出了一种名为 UGAT 的仿真到真实世界转移方法，通过动态转换模拟中的不确定行动来减小转移动态的领域差异，从而将在仿真环境中训练的学习策略转移到真实环境中，显著提高了转移强化学习策略在真实世界中的性能。

    Jul, 2023

  • 学习简化步态分析中的时空图

    该论文提出了一种新方法，简化步态基础性别估计的空间 - 时间图表示，提高了解释性，同时没有损失性能。通过使用直通 Gumbel-Softmax 技巧，我们的模型可进行端到端训练。在 CASIA-B 数据集上验证了我们方法的有效性，得到的图形可解释性强，与现有模型中使用的固定图形有明显差异。我们的研究促进了步态识别的可解释性和任务特定适应性，推动了更高效可靠的基于步态的生物识别技术。

    Oct, 2023

  • MTP-GO：基于图的概率多智能体轨迹预测与神经 ODE

    提出了一种名为 MTP-GO 的模型，该模型使用时间图神经网络对场景进行编码，并使用神经常微分方程实现运动模型，通过结合混合密度网络和卡尔曼滤波的概念提供多模态概率预测，证明了其在各种数据集上的预测能力优于现有方法

    Feb, 2023

  • SFMGNet：基于物理学的神经网络预测行人轨迹

    研究使用基于物理的神经网络（结合社会力量模型和多层感知器）来预测人类行人的运动轨迹，并取得了良好的预测效果和解释性。

    Feb, 2022

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • 面向航空视觉与对话导航的目标感知图形感知变压器

    本研究提出了一种目标感知的图注意力变换器（TG-GAT）框架，用于无人机代理相关对话历史与航空观测的关联，以实现导航任务，并通过大型语言模型实现辅助视觉以及数据增强策略，有效提高导航性能。

    Aug, 2023

  • 基于结构化图模型和变压器的模型预测仿真

    我们提出了一种基于 transformers 和概率图模型的多个相互作用代理（道路用户）轨迹模拟方法，并将其应用于 Waymo SimAgents 挑战。我们的方法基于 MTR 模型，使用先验知识编码因子来生成并改进轨迹预测，该模型通过执行高斯牛顿方法的（近似）最大后验推理来采样数十个代理的未来轨迹。我们的方法名为 “模型预测模拟”（MPS），在安全关键指标（如碰撞率）方面改进了 MTR 基线，并且与任何潜在预测模型兼容，不需要额外的训练。

    Jun, 2024

  • 空间时间图双重注意力网络用于多智能体预测和跟踪

    本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

    Feb, 2021

  • 利用众包车辆轨迹改善工作区域自动驾驶车辆地图和导航

    本文介绍了一种将众包轨迹信息引入到地图制作流程中的原型，以加强 CAV 对可行驶区域和交通规则的理解，利用高斯混合模型构建可行驶区域和占用栅格地图，并比较了该方法与单一 SLAM 方法的优劣。

    Jan, 2023