Mar, 2023

室内场景的人机协同活动重新排列

PDF
TL;DR本文提出一种基于优化的框架用于重新布置室内家具，以更好地容纳人机共同活动。优化算法基于多种空间和语义相关信息，将家具重新布置以保留人类功能性需求的同时为机器人活动留出足够空间，并通过自适应模拟退火和共轭梯度演化策略解决优化问题。实验结果显示，重新布置后的场景平均提供了 14％更多的可访问空间和 30％更多的物品供机器人和人类交互。
human-robot co-activitiesfurniture rearrangementoptimizationadaptive simulated annealingcovariance matrix adaptation evolution strategy
发现论文，激发创造
  • 视觉房间重组

    一项围绕着域中物理实体与环境互动的任务 - 室内重新配置的新数据集 RoomR 并结合实验展示现有的 Embodied AI 技术在此类任务方面性能仍有提升空间。

    Mar, 2021

  • 一个简单的视觉重排方法：3D 建图和语义搜索

    提出了一种基于语义分割模型和强化学习模型的方法，通过视觉输入实现了对物体在房间中重新摆布的目标；在 AI2-THOR 重新摆放挑战中，使用的样本量仅为当前端到端强化学习模型方法的 2.7%，结果可从 0.53% 的正确率提升至 16.56%。

    Jun, 2022

  • 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

  • 利用人类语境学习 3D 场景中的物品摆放

    本研究基于物体的易用性、可达性和相对人体姿态的关系，通过 3D 空间特征和 Dirichlet 过程混合模型学习场景中不同物体相对人体姿态的分布情况，并以此作为推理对象，通过合适的密度函数，预测物体在房间中的正确放置位置。实验证明，与最佳基线方法相比，该算法的平均误差小于 1.6 米，分数达到 4.3/5。

    Jun, 2012

  • 重新排列：具身人工智能面临的挑战

    本文提出了一个以重新排列任务为基础的体现智能 (AI Embodied) 的研究和评价框架，并描述了四个不同的仿真环境中重新排列方案的实验测试床和性能度量标准，以支持重新排列代理的训练和部署。

    Nov, 2020

  • SG-Bot：基于场景图的粗到细机器人想象力的目标重新排列

    SG-Bot 是一种新颖的重新排列框架，利用分级的场景图作为场景表示，通过观察、想象和执行三个步骤，灵活地处理对象重新排列任务，并通过生成模型形成目标场景，此外，实验结果表明 SG-Bot 在性能上超过竞争对手很大一个幅度。

    Sep, 2023

  • 使用随机文法进行以人为中心的室内场景合成

    本文提出了一种以人为中心的方法来采样和合成三维房间布局和其二维图像，以获得带有完美每个像素地面真相的大规模二 / 三维图像数据。通过分布学习和采用蒙特卡罗马尔可夫链，可以采样出各种真实的房间布局，并使用视觉真实性、基于地面真实性的可负担性图的准确性以及人类主题评估的合成房间的功能性和自然性。

    Aug, 2018

  • CoBOS: 基于约束的在线人机合作调度程序

    我们提出了一种新颖的在线基于约束的调度方法，在反应式执行控制框架中使用行为树，称为 CoBOS，以适应不确定事件，如延迟的活动完成和活动选择（由人类）。

    Mar, 2024

  • 将人类置于场景中：学习 3D 室内环境中的可支配性

    本论文探讨了在三维室内场景中预测人类动作所需的可负担性建模技术，并通过引入语义和几何结构来创建大规模数据集合并使用三维姿态合成器预测出语义合理的人体姿态。最终的可负担性预测方法能够持续胜过现有的最新方法。

    Mar, 2019

  • SceneScore：学习对象布置的成本函数

    通过学习 cost function 和图神经网络，我们的方法 SceneScore 能够评估目标排列的可取性，从而实现对缺失目标的姿态预测以及与其他约束条件的组合。

    Nov, 2023