BrainSLAM:神经群体活动数据上的 SLAM
本论文通过利用大鼠自由活动时的 Nucleus Accumbens 和 Hippocampus 区域的局部场电位 (LFP) 记录,基于五种机器学习方法,构建了一个全局数据驱动模型 LoLiMoT,可以预测这些区域的未来状态,并显示了吗啡和自然奖励对这些区域神经元的动态特性没有改变。
May, 2024
本文介绍了一种利用 RGB-D 图像序列进行协作式隐式神经同步定位与地图生成(SLAM)系统,该系统包括完整的前端和后端模块,包括里程计、回环检测、子图融合和全局优化。为了在一个统一的框架中实现所有这些模块,我们提出了一种新颖的基于神经元的三维场景表示方法,其中每个点维护一个可学习的神经元特征用于场景编码,并与某个关键帧相关联。此外,我们提出了一种分布式至集中式学习策略,用于改进协作式隐式 SLAM 的一致性和合作性。还提出了一种新颖的全局优化框架,以提高系统精度,类似于传统的束调整。在各种数据集上的实验证明了该方法在相机跟踪和地图生成方面的优越性。
Nov, 2023
论文介绍了一种名为 Active Neural SLAM 的模块化和分层方法来学习探索 3D 环境的策略,并在真实的 3D 环境中进行实验,结果表明该方法比过去的学习和几何方法更有效。
Apr, 2020
本研究提出了一种新的方法,通过嵌入传统同时定位与建图(SLAM)的程序到软的注意力机制中,从而使得机器代理从传感器数据学习全局地图的表征,在无人环境中,可以通过深度神经网络进化具有类似 SLAM 的行为和强化学习代理,成功地在必须保持长期记忆的新环境中进行探索。
Jun, 2017
该论文描述了如何支持应用专家在选择和配置适当的算法和适当的硬件编译路径,在 SLAM(同时定位和制图)应用中实现算法交付的工具和方法,包括系统定量评估 SLAM 算法的工具和方法,自动化的机器学习指导算法和实现设计空间的探索,以及用于优化异构、加速架构的端到端模拟工具。
Aug, 2018
提出了一种用于未知场景的神经分块可伸缩 RGB-D SLAM 方法 NeB-SLAM,通过将整个未知场景表示为一组固定大小的神经分块子图,并采用自适应的地图增长策略在摄像机跟踪过程中逐渐覆盖整个未知场景,对各种数据集进行广泛评估,证明了该方法在未知环境的建图和跟踪方面具有竞争力。
May, 2024
基于局部 - 全局融合神经隐式表示的实时动态可视化 SLAM 系统 (DVN-SLAM) 能够提高场景表示能力、处理渲染过程中的不确定性,并在多个数据集上实现了竞争性的定位和映射性能,在动态场景中表现出鲁棒性,这是与其他基于 NeRF 的方法不同之处。
Mar, 2024
提出一种神经 SLAM 方法,利用多种模态进行探索,预测可承受意义地图并在其上进行规划,从而显著提高了探索效率,实现了鲁棒的长程规划,使得机器智能能够更有效地识别视觉和语言信息。在 ALFRED 基准测试中,相对先前发表的作品,提出的 Affordance-aware Multimodal Neural SLAM(AMSLAM)方法在成功率上实现了 23.48%的新的最高水平,取得了超过 40%的改进。
Jan, 2022
本研究致力于开发、应用和评估一种最先进的计算流程,用于分析小鼠的对象识别模式,特别关注新颖对象识别和自发位置识别任务,并集成了 Any-Maze、DeepLabCut 和卷积神经网络等三种先进的计算模型来进行行为分类。该流程在四组不同的小鼠中应用,并展示了高准确性和稳健性。尽管存在视频质量限制和手动计算的需求等挑战,但结果肯定了该计算流程的效力和可扩展性,并证明了这种多维计算方法在行为神经科学中的潜力及其对未来更复杂分析的适应性。
Dec, 2023
本文研究图像目标导航问题,提出了一种基于拓扑表示法、语义特征和监督学习算法的解决方案,在视觉和物理仿真实验中部署该算法,与现有方法相比,在长时间任务中呈现出 50%以上的相对提高。
May, 2020