Jul, 2023

在多机器人网络中，从节点轨迹中学习识别图形

PDF
TL;DR该研究提出了一种基于学习的方法，结合了强凸规划和自注意力编码器，可以有效地揭示图的拓扑结构以及预测适当的正则化参数，从而解决了网络配置不同的情况下图拓扑的识别问题。
graph identification probleminteractionsstate/feature trajectorieslearning-based approachgraph topology
发现论文，激发创造
  • 用于学习机器人团队协调的图神经网络

    本文展示了如何利用图神经网络来学习连接的机器人团队的分布式协调机制，并通过将机器人队伍建模为图形来捕捉机器人协调的关系。训练过程中，机器人学习如何传递信息和更新内部状态，以达到目标行为，然后通过局部估计团队网络拓扑的代理方法来考虑更复杂的问题。

    May, 2018

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 基于深度学习的部分观测下网络动态系统图恢复

    研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。

    Aug, 2022

  • 面向多机器人主动信息获取的图神经网络

    本文提出了一种基于信息感知的图块网络 (I-GBNet)，通过模仿学习和集中采样的专家求解器来训练，可以实现在一个由机器人组成的移动团队中定位和跟踪动态目标的应用。

    Sep, 2022

  • 基于轨迹的实时社交群体检测

    我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失，能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比，在保持准确性的同时，实现了高速的推理时间。该方法适用于实时的机器人应用。

    Apr, 2023

  • 用于分散式多机器人路径规划的图形神经网络

    本研究提出了一种组合模型，结合卷积神经网络和图神经网络，用于多机器人路径规划中的通讯问题，并在模拟中取得了接近专家算法的性能和有效性。

    Dec, 2019

  • 可学习的在线图像表征：用于 3D 多目标跟踪

    本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

    Apr, 2021

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 2023

  • 机器人中的图学习：一项调研

    在这篇论文中，通过对图神经结构进行综述，从机器人的角度探索了图学习在机器人应用中的潜力、挑战和各种应用案例，以期为读者提供深入的了解，并为未来的研究指明可能的方向。

    Oct, 2023

  • 构建一致可解释的运动预测模型：基于异构图注意力的方法

    自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

    May, 2024