Nov, 2022

结构化室内环境中机器人导航的高级情境图

PDF
TL;DR本文提出了一个名为 S-Graphs + 的环境感知模型，它由五层优化图组成，包括度量层、关键帧层、度量 - 语义层、新颖房间层和新颖地板层，该模型可以提高机器人的位姿估计和室内环境信息提取的性能，从而扩展机器人的情景感知能力。
mobile robotssituation graphsenvironment representationautonomous task executionsituational awareness
发现论文，激发创造
  • 结构化室内环境机器人导航的情境图

    本论文提出了一种新的实时在线构建的 Situational Graph（S-Graph）方法，将环境的几何，语义和关系维度与机器人姿态结合起来。该方法利用里程计读数和来自 3D LiDAR 扫描的平面表面，构建和优化三层 S-Graph，不仅展示了机器人姿态估计的最先进结果，而且贡献了一种度量 - 语义 - 拓扑环境模型。

    Feb, 2022

  • 基于图的全局机器人定位：使用建筑图来指导情境图

    本文提出利用建筑计划解决机器人的定位问题，通过 A-Graph 转化建筑平面图，对机器人感知到的 S-Graph 进行图对图匹配，得到全局的机器人定位信息，实现利用建筑计划进行机器人定位。

    Mar, 2023

  • 基于层次利用 S - 图进行更快优化

    通过利用层次结构和压缩冗余机器人姿态来减小图的规模，我们提出了改进版的 S-Graphs，相较于基线，实现了类似的准确性，并在计算时间上减少了 39.81%。

    Aug, 2023

  • 通过推理高层次的语义关系概念改进情境图

    本文介绍了如何使用图神经网络来学习从低级因子图中推断出的高级语义关系概念，提出了一个可以更准确、更高效地推断房间实体及其与映射墙面的关系的方法，同时演示了如何引入墙面的语义概念及其与墙面的关系。该方法已经集成到 S-Graphs + 中，并在模拟和实际数据集上进行了验证。我们将提供包含该软件的 Docker 容器供科学界使用。

    Sep, 2023

  • 通过本地和云计算增强环境的图表示

    通过图形化表示机器人环境，结合经典计算机视觉工具和现代计算机视觉云服务，以达到语义理解的目标。

    Sep, 2023

  • ConceptGraphs: 开放词汇三维场景图用于感知和规划

    为了使机器人能够执行各种任务，本研究提出了一种名为 ConceptGraphs 的基于图结构的 3D 场景表示方法，通过将 2D 基本模型的输出与多视图关联相结合，不需要收集大型 3D 数据集或微调模型即可实现对新的语义类进行泛化推理，并通过一些需要对空间和语义概念进行复杂推理的后续规划任务来证明这种表示方法的实用性。

    Sep, 2023

  • 三维场景图：智能代理的物理环境稀疏语义表示

    提出了一种用于智能代理系统的多功能环境建模方法 ——3D 场景图模型，其具有广泛的适用性、直观的易用性和满意的可扩展性，并通过实验验证了该方法的准确性和适用性。

    Aug, 2019

  • 基于深度学习的室内自主导航行为方法

    本文提出了一种适用于室内机器人导航的语义图形表示方法，该表示方法以语义位置和导航行为为节点和边，利用深度学习架构直接从视觉输入生成导航行为，无需计算机器人精确位置和环境几何关系，实现以更高的语义抽象水平导航的目的。

    Mar, 2018

  • 利用场景图进行部分可观测机器人规划的推理

    本文提出了一种在不确定情况下，让机器人根据场景分析算法构建的场景图，并利用图像信息进行机器人规划，从而在部分可观察性的领域中实现上下文感知机器人规划。实验结果表明，在目标搜索领域，该算法比标准机器人规划和场景分析方法具有更高的任务完成效率和准确性。

    Feb, 2022

  • MovieGraphs: 从视频中理解以人为中心的情境

    本文介绍了一个名为 MovieGraphs 的数据集，用于收集电影片段中的社交情境，并探索了使用这个数据集进行情感识别、交互理解和原因理解的方法和相关研究。

    Dec, 2017