Nov, 2023

高效目标导航的概率物体位置（POLo）得分估计

PDF
TL;DR为了推进自主机器人领域，特别是在未开发环境中进行物体搜索任务，我们引入了一个以概率物体位置（POLo）得分为中心的新框架。利用 3D 物体概率图，POLo 得分使得代理能够基于数据做出高效的物体搜索决策。我们通过引入 POLoNet，一个通过训练来近似计算密集的 POLo 得分的神经网络，进一步提高了框架的实用性。我们的方法解决了端到端强化学习方法和传统基于地图的方法的关键限制，这些方法在长期任务中容易遗忘记忆和忽略可见性约束。我们的实验涉及 OVMM 2023 挑战的第一阶段，结果表明配备 POLoNet 的代理明显优于一系列基准方法，包括端到端强化学习技术和以前的地图 - based 策略。为了提供全面的评估，我们引入了新的性能指标，可以洞察各种代理在物体目标导航中的效率和效果。
autonomous roboticsobject searchprobable object location (polo) scorepolonetperformance metrics
发现论文，激发创造
  • 恰当的地方，合适的时间！面向非静态目标的导航

    我们提出了一种新颖的方法来解决室内环境中移动且可能被遮挡的目标的 ObjectNav 任务。我们称此任务为 Portable ObjectNav（或 P-ObjectNav），并在这项工作中，提出了它的形式，可行性，并使用一种新颖的基于增强记忆的 LLM 策略进行导航基准测试。

    Mar, 2024

  • 自动驾驶的概率多项式物体轨迹规划

    本研究提出了一种基于条件性模仿学习算法和概率框架的自动驾驶决策方法，可用于导航、行人和其他路上的车辆预测，使用车载传感器信息生成多个实现路径，实现良好的性能和计算效率。

    Mar, 2020

  • 在线规划，离线学习：基于模型控制的高效学习和探索

    提出了一种 POLO (计划在线，学习离线) 框架，利用局部基于模型的控制、全局价值函数学习和探索之间的协同关系来解决需要不断在世界中行动和学习的代理问题，并探讨了轨迹优化、价值函数的近似和不确定性估计等方面的问题，最终在几分钟的真实世界体验中解决了类人运动和灵巧的手中操作这样的复杂模拟控制任务。

    Nov, 2018

  • PEANUT: 预测和导航到未知目标

    本文提出了一种学习环境中空间和语义规律的简单方法，通过从不完整的语义地图中预测未观测对象的位置来实现。该方法可以轻松地使用少量数据进行监督式训练，并可以在没有强化学习的情况下，将模型融入到 ObjectNav 的模块化流程中，该模型在 HM3D 和 MP3D ObjectNav 数据集上取得了最佳成果。

    Dec, 2022

  • Active Object Perceiver：基于识别引导的移动机器人目标搜索策略学习

    本文通过机器人视觉输入来学习其在室内环境中寻找感兴趣物体的导航策略，并提出了一种基于深度学习和强化学习的新型框架，结合了目标识别模块和动作预测机制，并使用一种新的衰减奖励函数来验证所提方法的有效性，通过模拟和实际机器人实验表明了其方法在平均轨迹长度和成功率方面优于竞争方法。

    Jul, 2018

  • 通过同时探索和识别实现 3D 感知的物体目标导航

    本文提出了一种基于二个子策略的框架，即 角落导向探索策略 和 类别感知识别策略，用于提高基于 3D 场景表示的目标导航能力，从而大大改善 ObjectNav 的性能，并在 Matterport3D 和 Gibson 数据集上实现最佳表现，同时训练时的计算成本较其他模块化方法降低了 (高达 30 倍)。

    Dec, 2022

  • 基于潜力函数的无交互学习的目标导航

    该研究提出了基于无交互学习的潜在函数的模块化方法，旨在解决物体目标导航的计算资源和时间成本问题。通过训练预测两个互补潜在函数的网络，方法可以在不与环境交互的情况下决定何时寻找看不见的物体，进而实现 ObjectGoal 导航，证明该方法能够实现 ObjectGoal 导航的最新状态，并且训练成本可以降低多达 1600 倍。

    Jan, 2022

  • 广义对象搜索

    通过利用部分可观察的马尔可夫决策过程来建模对象搜索，结合人类世界（例如，八叉树和相关性）和人机交互中的结构（例如，空间语言）进行建模，可以实现一种实用且高效的广义对象搜索系统。

    Jan, 2023

  • 多机器人语义目标映射在感知受损环境中的操作约束下的早期召回、晚期精度

    本文提出了一种名为 EaRLaP 的语义对象映射技术，在多机器人探索中，在含有不确定性、感知降级的环境下实现高召回率和高精度，取得了成功的应用并在不同数据集上进行了表现。

    Jun, 2022

  • 空间注意力视觉导航

    本研究对物体目标视觉导航进行了研究，旨在通过强化学习算法学习智能体的策略。我们提出了一种新的注意概率模型来改进代理策略，并在常用数据集上取得了最先进的结果。

    Apr, 2021