基于信息批次置信树的不确定性运动规划
本文提出一种基于图形和采样基规划技术的易于操作的 Batch Informed Trees(BIT*)规划算法,展示了 BIT * 在模拟的随机环境和 CMU HERB 机器人的操作问题上的实用性,并证明了其概率上完备和渐近最优。
May, 2014
该论文提出了一种新的基于 IBIA 范例的算法,它通过使用启发式置信度更新算法来推断边际。该方法与现有的变分和采样方法相比,在多个基准测试数据集上具有更好或相当的准确性,并且运行时间更短。
Jun, 2023
本文介绍了一种新型的算法 —— 快速探索随机图(RRG)及其树形版本 RRT $ ^ * $ 算法,并证明这两个算法都可以在几乎确定地收敛到最优解。此外,文章还建立起采样运动规划算法和随机几何图理论之间的新联系,以证明所提出算法的复杂度与传统 RRT 算法相比是等价的。
May, 2010
该论文研究了大规模组目标跟踪问题,提出了一种基于置信传播(BP)框架的可扩展组目标置信传播(GTBP)方法,将目标存在变量、组结构、数据关联和目标状态联合推断计算,具有良好的可扩展性和低计算复杂度。
Aug, 2022
这篇文章提出了一种基于增量 - 建立 - 推理 - 近似的方法,将贝叶斯网络转化为包含一系列链接团树森林的数据结构,这些团树森林的大小由用户指定,可以用于高效的近似推理分区函数以及先验和后验的边缘概率分布。实验结果表明,相对于其他近似方法,该方法可显著减少误差并具有具有竞争性的运行时间。
Feb, 2022
研究了基于信念空间规划的在线决策问题,在信息收集等场景下,介绍了一种自适应的方法来寻求最大可行回报,应用这种方法可以在保证准确率的前提下显著加速在线决策过程,并进行了大量现实模拟来验证此方法的优越性。
Feb, 2023
通过最大化节点对输出的影响分数来理论建模批处理构建,在推理方面 IBMB 加速了最多 130 倍,并且通过使用自适应优化和正确的训练计划 IBMB 还可以加速训练,每个时期快 18 倍,并且与先前方法相比,每个运行时收敛速度最高可达 17 倍。
Dec, 2022
通过大型语言模型(Large Language Models,LLMs)的常识推理,该论文提出了提高行为树(Behavior Tree,BT)规划效率的方法,包括预规划动作空间裁剪和启发式函数生成,以实现日常服务机器人的自主行为控制。
Jun, 2024
该研究提出了一种逆批次上下文强盗(IBCB)框架,可以高效地估计基于专家行为演化历史的环境奖励参数和学习策略。与现有的模仿学习算法相比,IBCB 在合成和真实数据上表现出色,并且显著降低了运行时间,同时表现出更好的非分布式泛化能力和从初级专家的交互历史中学习强盗策略的高效性。
Mar, 2024
该论文提出一种名为 KT-BT 的知识转移框架,通过基于行为树的在线机制,在智能体之间实现了知识共享,从而提升了多机器人或多智能体系统的表现,以搜索和救援问题为例,进行了广泛的验证和研究。
Sep, 2022