Sep, 2023

学习具有时空图神经网络的分散集群控制器

PDF
TL;DR该研究使用图神经网络（GNNs）探索了在群体机器人中进行分散控制的方法，提出了一种名为 STGNN 的时空 GNN 模型，通过空间和时间的扩展收集和整合更广泛的信息，证明了其在实现凝聚性集群行为、领导跟随和障碍物避让任务方面的潜力。
graph neural networksdecentralized controlswarm roboticsspatiotemporal gnncohesive flocking
发现论文，激发创造
  • 基于图神经网络的分散式控制器

    本文提出一种利用图网络来从数据中学习去中心化控制器的框架，通过解决群聚问题展示了其在动力学系统中的应用潜力。

    Mar, 2020

  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 基于时空融合的图神经网络用于交通流量预测

    本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

    Dec, 2020

  • 战术网络未来状态预测的时空图表示学习

    通过使用空间 - 时间图编码器 - 解码器 (STGED) 框架，本研究针对战术通信网络中的资源分配问题提供了准确预测未来网络连通性的解决方案，通过使用网络状态的空间和时间特征，学习潜在的战术行为，实验结果表明 STGED 在不同时间步输入下始终优于基线模型，对战术通信网络未来状态预测任务的准确率达到了高达 99.2%。

    Mar, 2024

  • 可解释的时空图神经网络

    提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

    Oct, 2023

  • 基于图神经网络的时空外推技术

    本文研究了在图形上从周围环境生成目标位置数据的时空外推任务，提出了具有不确定性估计和强大学习能力的空间 - 时间图神经过程模型，并使用贝叶斯聚合算法在转移过程中对上下文数据和图形结构进行了考虑。

    May, 2023

  • 基于空间感知的图神经网络预测传感器数据中的关系行为

    本文提出了一种基于空间感知图神经网络的关系行为预测模型，该模型能够建模场景中的交互，并在轨迹级别上模拟不确定性，通过最新的自动驾驶数据集 ATG4D 和 nuScenes 的实验结果，我们的模型取得了显著的性能提升，具有端到端的训练能力。

    Oct, 2019

  • 使用 GNN 和时间编码进行基于学习的动态环境运动规划

    本文介绍了一种基于 GNN 的方法，利用时间编码和模仿学习与数据聚合来学习嵌入和边缘优先策略，以显着加速在线规划。

    Oct, 2022

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 跨节点联邦图神经网络用于时空数据建模

    提出了一种基于 Cross-Node Federated Graph Neural Network（CNFGNN）的联邦时空模型，旨在利用分布式数据的时空结构，对交通流量进行准确预测，并在交通流量预测任务中展示了其卓越的表现。

    Jun, 2021