Manipulate-Anything 是一种可扩展的自动化生成方法，在没有特权状态信息、手动设计的技能的情况下，在真实环境中操作任何静态物体，其生成的演示数据可以用于生成鲁棒的行为克隆策略。

Jun, 2024

前方跟随技术具有实用性，可以应用于更多领域解决实际问题，本文讨论了这项技术的基本原理、设计思想以及提出了多种新颖和特殊的方法，以美观的图形展示了创新的设计思想。

May, 2024

本文提出了一个新的用于在开放世界环境中追踪任何物体的基准测试 ——TAO-OW，并分析了多物体追踪方面的现有努力，并为此任务构建了一个基线，同时强调了未来的挑战。

Apr, 2021

本文提出了一个基于 Faster R-CNN 的快速目标检测模型重训练的端到端框架，涵盖了自动图像生成和标注、现场模型重训练以及基于 FPGA 边缘设备的推理的全流程。同时，我们提出了一种新的损失函数 —— 内部扩散物体球损失函数来解决开放世界识别问题，并且可以显著减少未知目标的误报率。

Apr, 2022

本文提出了一种新的端到端的物体跟踪方法，它直接从原始传感器输入到物体的轨迹映射，而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模，通过一种输入丢弃的学习方法，能够在无监督的情况下处理包括遮挡物在内的传感器数据，学习跟踪许多动态物体，适用于机器人类应用中常见的 2D 激光数据跟踪任务。

Feb, 2016

该论文介绍了一个基于循环神经网络的新型端到端框架，用于在复杂、动态且仅部分可观测的现实环境中跟踪和分类机器人的周围环境，并通过少量标记的数据使网络精通语义分类任务。

Apr, 2016

我们探讨了密集跟踪作为一种表征工具，使机器人能够更快、更通用地从示教中学习，并展示了通过密集跟踪生成的稳健机器人策略能够解决复杂的物体排列任务，如形状匹配、堆叠，甚至全路径跟踪任务，如涂胶并粘合物体，这些示教仅需数分钟即可收集。

Aug, 2023

本文提出了一种多模态传感器模块化框架，用于实现在线多目标追踪，并对该方法进行了实验证明其在真实场景下对自主驾驶领域有重要的应用。

Feb, 2018

我们开发了一个统一的感知和导航框架，利用视觉重新识别、手势检测和无碰撞导航的组合，使机器人能够识别和跟随目标人物，并避免障碍物和其他个体在环境中，以此实现人机协作中机器人的操作灵活性以及个性化辅助的提供。

Nov, 2023

本文利用基础模型解决机器人抓取检测的挑战，通过使用基础模型创建全新的大规模抓取数据集 Grasp-Anything，该数据集在多样性和规模上超过了先前的数据集，并成功实现了零样本抓取检测的视觉任务和实际机器人实验。

Sep, 2023