Jul, 2023

基于预测编码和不确定性最小化的主动感知

PDF
TL;DR运用预测编码和不确定性最小化两种生物启发式计算方式，提出了一种端到端的嵌入式探索过程，可用于解决任务无关的探索问题。在迷宫导航和积极视觉任务中，我们的模型均能够通过建立无监督表示，对感知场景进行主动采样、高效分类，学习效率更高、数据效率更高。此外，模型的模块化设计允许分析其内部机制以及在探索行为中，感知与行动之间的相互作用。
embodied explorationpredictive codinguncertainty minimizationactive visionmodularity
发现论文，激发创造
  • 主动预测编码：一种用于学习层次化世界模型以进行感知和规划的统一神经框架

    提出了一种新的预测编码框架，称为主动预测编码，利用超网络、自监督学习和强化学习来学习层次化的世界模型，并成功解决了细分视觉和复杂动作序列组合等多个问题。

    Oct, 2022

  • 主动感知作为贝叶斯最优的序贯决策制定

    本研究提出了一种基于贝叶斯最优推理和控制框架的主动感知算法，C-DAC，该算法通过直接最小化行为成本，例如时间延迟、响应误差和努力来优化主动感知模型，从而实现了上下文关联的主动控制。我们在简单的视觉搜索任务上模拟这些算法，以说明情境敏感性特别有益的情况和相对于一般统计目标而言优化特别不足的情况。同时，为了解决复杂的问题，我们提出了参数化和非参数化的近似方法，这些近似方法保持上下文相关性同时显著减少计算复杂度。

    May, 2013

  • 面向主动视觉的预测机器学习

    该论文提出了基于主动推理框架的机器学习技术，提出了基于编码自动化和受生物启发的认知结构，并通过计算机模拟证明了该方法的有效性，同时分析了其局限性和优点。

    Oct, 2017

  • 虚拟环境的自动映射与视觉预测编码

    预测编码为构建认知地图的统一算法框架，并能通过视觉信息定位环境中的位置。

    Aug, 2023

  • 基于预测编码的自适应机器人身体学习和估计

    该研究提出了一种计算感知模型，基于预测处理，能够使任何多感官机器人通过使用任意具有高斯加性噪声的传感器来学习、推断和更新其身体配置，从而实现自我校准和安全的人机物理交互。

    May, 2018

  • 主动神经映射

    我们提出了一种具有不断学习的神经场景表示的主动映射问题，即主动神经映射。关键在于通过高效的代理移动主动地找到要探索的目标空间，从而在以前未见过的环境中实时地最小化地图的不确定性。本文研究了不断学习的神经场中的权重空间，并通过实验证明了神经变异性，即针对随机权重扰动的预测稳健性，可以直接用于测量神经映射的即时不确定性。结合神经映射中继承的连续几何信息，代理可以被引导找到可穿越的路径，逐渐了解环境。我们首次提出了一种具有基于坐标的隐式神经表示的在线场景重建的主动映射系统。在视觉逼真的 Gibson 和 Matterport3D 环境中进行的实验证明了该方法的有效性。

    Aug, 2023

  • 面向人形机器人的积极推断身体感知和动作

    通过在仿生系统中应用主动推理身体感知和行为模型，能够在机器人上实现适应性身体感知和动作，并分析该方法适用于现实世界的交互。

    Jun, 2019

  • 面向语义分割的视觉活动学习

    本文研究了具体化视觉主动学习任务，该任务通过选择性的视野请求注释来探索三维环境，以获取场景理解，我们通过开发一系列智能体来研究具体化视觉主动学习，其中智能体配备语义分割网络，并使用深度强化学习以及奖励函数平衡任务性能和必要注释数据请求，得到了可靠的结果。

    Dec, 2020

  • 基于粒子滤波器信息增益的主动探索，用于高效空间概念形成

    本文提出了一种结合粒子滤波和基于信息增益的主动探索的主动推理方法，名为空间概念形成（SpCoAE），用于在家庭环境中自主地学习空间概念。实验证明该方法可以高效地确定适当的位置，形成适当的空间概念，快速覆盖环境。

    Nov, 2022

  • 利用概率集成神经网络动力学来桥接主动探索和不确定性感知部署

    该研究提出了一个基于模型的强化学习框架，将主动探索和不确定性感知部署这两个任务结合了起来，通过 Jensen-Renyi 分歧量化确定性，最终在自主驾驶车辆和轮式机器人上进行了成功的实验。

    May, 2023