高斯表面模型下的距离和碰撞概率估计
提出了一种紧凑的 3D 高斯着色 SLAM 系统,通过减少冗余椭球体的数量和参数大小来降低内存和存储成本,并实现了快速训练和呈现速度。通过滑动窗口的屏蔽策略减少冗余的椭球体,然后观察到大多数 3D 高斯椭球体的协方差矩阵(几何)非常相似,从而激发出一种新的几何码本来压缩 3D 高斯几何属性。通过全局捆绑调整方法和重投影损失实现了稳健准确的姿态估计,实验结果表明我们的方法在保持最先进的场景表示质量的同时实现了更快的训练和呈现速度。
Mar, 2024
本文提出了一种考虑机器人状态和环境不确定性的安全运动规划方法,旨在解决机器人定位中地标不确定性的问题,并给出了在高斯分布机器人运动、感知和障碍位置不确定性下的碰撞概率的精确表达式。
May, 2023
本论文提出一种概率框架用于三维环境中的动态目标识别,开发了基于 ROS 的 C++ 和 Python 软件包进行检测和跟踪。基于高斯过程回归(GPR)的新方法用于在不同的城市场景中检测地面点,模拟结果表明,在不平坦和崎岖的场景中,该方法比类似的基于高斯过程的地面分割方法表现更好。
Jan, 2022
这项研究通过扩散模型提出了一种机器学习模型,用于预测参与近距离接触的物体的位置不确定性,特别是对于次要物体(通常是碎片),该物体的预测更加不可预测。与其他最先进的解决方案和朴素的基准方法相比,我们比较了我们的模型的性能,显示出所提出的解决方案有潜力显著提高航天器运行的安全性和效率。
Nov, 2023
本文介绍了一个概率建模的框架,用于从机器人的传感器中融合与合并弱信息以便精确定位厨房中的物体,以及传递不确定信息数据。该框架对包括融合和合并估计在内的操作提供了大量概率分布的表示。
Jun, 2017
本文提出了一种新的自监督场景流估计方法,利用高斯混合模型将离散点云表示为连续的概率密度函数,并使用经典 Cauchy-Schwarz 散度的闭合式表达式从概率密度函数的对齐中恢复运动,通过建立软性隐式点对应关系生成更稳健和准确的场景流,实验结果表明该方法在现实环境中的 FlyingThings3D 和 KITTI 数据集上的性能优于现有方法,甚至超过了一些有监督的方法。
Mar, 2022
通过利用神经隐式扫描体模型,结合深度学习方法快速计算任务空间中任意点与机器人运动之间的有向距离,并结合几何碰撞检测器提供强大的精确性保证,实现了对商业物料拾取应用的加速。
Feb, 2024
通过第一原理的新方法,本研究引入了紧密且快速的上下界,用于碰撞概率的估算。我们在欧空局碰撞回避挑战中使用的真实 CDM 数据集上,对概率和界限计算的原始方法和我们的方法进行了测试。我们的方法只需要计算两个一维积分,与传统方法相比,处理时间可减少 80%,接近实时。
Nov, 2023
本文提出了一种方向网格地图来表示环境的长期角运动,并描述如何利用这种理论来模拟空间域,时间域和时空域的角变化,并在具有不同传感器类型的不同机器人上进行了实验证明。
Sep, 2018