本文介绍了一种新型的深度循环神经网络架构，通过对视频序列中人类活动的进度进行估计，间接地学习了与任务相关的语法，并使用叠加 LSTM 基于多粒度进度估计框架来学习任务语法，并证明了这种方法可以提高预测准确性，比基线的双流预测模型的准确性提高了 9% 以上，同时也优于其他竞争方案。该研究的重点在于人机交互的进展预测领域。

Sep, 2017

在本文中，我们通过在 360 度 LIDAR 传感器的轨迹上整合占用栅格，预测部分观测环境的未见墙壁作为一组二维线段的挑战。我们通过在大学校园的一组随机采样路径之间导航虚拟机器人，收集了这种占用栅格及其相应目标墙壁段的数据集。我们将线段预测任务定义为自回归序列预测任务，并在数据集上训练了一个基于注意力的深度网络。这种基于序列的自回归形式通过预测的信息增益进行评估，表明相比于文献中的非预测估计和基于卷积的图像预测，有着显著的改进。我们还评估了关键组件的消融性能，以及传感器范围和占用栅格的度量面积。最后，在实际办公环境中实时重建的新颖楼层平面上验证了模型的普遍性。

Jun, 2024

本研究探讨了使用 ChatGPT 自动生成建筑进度表的能力及其在建筑业自动化中的潜力，并得出如下结论： ChatGPT 能够生成符合逻辑并满足指示范围要求的进度表，具有显著的潜力用于自动化建筑行业相关任务，但技术仍有局限性需进一步发展以满足广泛的业界需求。

Jan, 2023

使用 Lidar 网格融合和循环神经网络，我们针对自动驾驶中的复杂市区场景进行长期预测，并通过 RNN 训练将场景数据转化为序列，以预测未来的占用率，其中包括卷积长短时记忆（ConvLSTMs）来区分静态和动态区域，预测未来帧中的动态对象，并提供了一种新的经过递归跳跃连接的方法，可以预测遮挡静态区域或者遮挡的小物品，例如行人。

Sep, 2018

论文提出了一种基于图神经网络的候选规划器选择方法，并结合自适应调度策略实现了机器人路径规划等问题的高效解决，相关代码已经开源。

Nov, 2018

自动化长时程任务的重点研究领域是如何利用机械臂完成任务，本文提出了一种基于未来预测的成功或失败分类方法，通过端到端的方式确定行动计划能否完成给定任务，此方法同时利用了长时程的未来预测方法和过渡一致性正则化术语，通过分类和机器人操作实验验证了方法的有效性。

Apr, 2024

本论文详细介绍了 RoboGPT，使用大型语言模型 ChatGPT 的高级推理功能，实现了自动机器人流程规划，并通过两个实例的试验展示其可行性和有效性，推动了建筑行业机器人组装的进一步发展。

Apr, 2023

本研究提出了一种基于目标条件的预测模型，将其与层次模型相结合，以实现长时间跨度的视觉预测和规划任务。

Jun, 2020

应用门控循环单元（GRU）进行计算机断层扫描（CT）轨迹优化，结果表明 GRU 优化的扫描轨迹在图像质量评估指标上优于传统的圆形 CT 轨迹。

May, 2024

利用图注意力网络的自动建筑布局生成方法，支持任意道路网络，生成逼真的城市布局，并基于学习先验条件生成，相较先前的布局生成网络表现出卓越性能，为 28 个大城市生成不同建筑形状的布局。

Jul, 2023