Jun, 2023

多机器人系统中的同时探测和定位

PDF
TL;DR本文提出了一种名为 SEAL 的方法，该方法使用基于高斯过程的信息融合实现最大化探索，同时进行通信图优化以实现相对定位，通过 Rao-Blackwellization 技术将这两个交叉依赖的目标进行整合，并使用分布式线性化凸壳优化来选择下一个最佳未开发的区域。在广泛的 ROS-Gazebo 模拟中，SEAL 在探索和定位性能上优于先进方法，说明了该方法在实际应用中的实用性。
multi-robot explorationlocalization accuracyseal approachgaussian processes-based information fusiondistributed linearized convex hull optimization
发现论文，激发创造
  • GP-Localize：使用在线稀疏高斯过程观测模型的移动机器人持久定位

    本文提出了一种高斯过程定位算法，利用机器人探索时获取的空间相关的测量数据，通过在线稀疏高斯过程有效地学习观测模型，实现定位且不因数据规模增大而降低效率。仿真实验和实际机器人实验表明，该算法胜过已有算法。

    Apr, 2014

  • SEAL：利用探索和 3D 一致性的自监督体验主动学习

    该论文介绍了一个名为自助式躯体活动学习（Self-supervised Embodied Active Learning，SEAL）的框架，它使用训练于互联网图像的感知模型学习主动探索策略，并使用 3D 一致性对收集的观察结果进行标记，并利用 3D 语义地图在完全自我监督的情况下学习行动和感知，从而可以提高对目标的检测和分割的性能。

    Dec, 2021

  • SEAL: 同步标签层次探索和学习

    提出了一种名为 SEAL 的框架，该框架探索了标签层次结构，通过扩充观察到的标签与先前的分层结构的潜在标签进行了学习，并使用 1-Wasserstein 度量来同时执行数据驱动标签分层和（半）监督学习， 在几个数据集上进行了验证，结果表明该方法在监督和半监督场景下都取得了优异的成果，并揭示了有启发性的标签结构。

    Apr, 2023

  • 机器人、虚拟现实和增强现实的实时定位和建图技术原理概览

    该论文描述了如何支持应用专家在选择和配置适当的算法和适当的硬件编译路径，在 SLAM（同时定位和制图）应用中实现算法交付的工具和方法，包括系统定量评估 SLAM 算法的工具和方法，自动化的机器学习指导算法和实现设计空间的探索，以及用于优化异构、加速架构的端到端模拟工具。

    Aug, 2018

  • 基于对象模型的轻量级算法实现分布式映射及隐私保护与通信约束

    本文提出了分布式算法和对象模型的应用来协调机器人协作建图，以减少通信成本和提高效率。

    Feb, 2017

  • 基于前沿探索的强化学习及其自治环境

    本研究提出将探索 ORB 与强化学习方法相结合，通过奖励规则，优化 frontiers 的探测，提高 SLAM 在自主机器人的应用的精度和效率，并使用 Gazebo 进行了实验验证。

    Jul, 2023

  • 通过稀疏有界平方和规划实现全局保证最优平面位姿图和地标 SLAM

    该文章介绍了如何用稀疏 BSOS 分层算法将姿态 - 图和地标 - 图问题表述为多项式优化问题，并以全局最小化解决了这些问题，同时通过实验展示了该方法的卓越性能。

    Sep, 2018

  • 联合优化的全局局部无人机视觉定位

    我们提出了一种新颖的全局 - 本地视觉定位（GLVL）网络，通过结合大规模检索模块和细粒度匹配模块实现了无局限累积误差的实时精确定位，证实了我们方法在稀疏纹理特征的村庄场景下只有 2.39 米的 0.48 秒的定位误差。

    Oct, 2023

  • SEAL: 用于感知机器人动作的语义框架执行和定位

    本文介绍了一种针对机器人操纵动作的语义框架表示方法，并引入了 SEAL 问题和 SeFM 算法来提高机器人在大型环境中的任务执行效率。

    Mar, 2023

  • 多智能体协作的主动视觉定位：基于数据驱动方法

    通过使用 SLAM 技术的设备，本研究探讨了如何通过主动的视觉定位来克服视角变化的挑战，并提出了一种新颖的数据驱动方法，与现有方法相比在控制模拟实验和实际部署中展现出更高的性能。

    Oct, 2023