Feb, 2024

使用贝叶斯网络的高斯混合模型进行操作能力学习

PDF
TL;DR通过感知体验，探索世界并从中自主学习，以高准确性学习行动对象和效果之间的关系描述（affordances）是机器人的关键问题之一。本文采用高斯混合模型（GMM）对传感器进行概率表示，并明确考虑了每个离散行动概念中所包含的概率分布，以提高学习准确性。
affordancesrobotlearningautonomoussensory experiences
发现论文，激发创造
  • 基于贝叶斯深度学习的图像感知分割

    提出了一种基于深度贝叶斯网络的探测物体可提供的作用及分布的算法，使用 Monte Carlo Dropout 优化了模型的准确度并在 Mask-RCNN 结构上做了修改，利用新的概率模型检测出语义和空间上的不同，并通过比较二进制掩码而非预测边界框的方法来评估概率分割，同时分析出照相机噪音和视觉难点导致的随机和确定性方差。

    Mar, 2023

  • 功能融合网络

    我们提出了一个模型，将对象、动作和效果统一为单一的潜在表示，在共享的感知空间中建立了被称为行动潜力空间的各种行为潜能。使用这个行动潜力空间，我们的系统能够在给定动作和对象时生成效果轨迹，并且能够在给定效果轨迹和对象时生成动作轨迹。

    Apr, 2024

  • 指导机器人探索的视觉可供性预测

    通过学习视觉契合来指导机器人探索，并使用基于 Transformer 的模型来学习 VQ-VAE 潜在嵌入空间中条件分布，从而展现模型的组合泛化能力。训练完成的契合模型可用于机器人操作策略学习中的目标抽样分布。

    May, 2023

  • 快速准确的作用学习

    婴儿在环境中积极学习，塑造自己的学习课程。研究通过深度学习架构模拟这种行为，结合全局认知地图探索和局部可用性学习，使用不确定性度量来指导学习，展现了最为平衡的探索策略，并提出了协调积极生成学习课程的三个关键要素。

    May, 2024

  • 强化学习中的可行性原理理论

    本文提出了一种基于 Markov Decision Processes 的行动效益理论，它能够加速计划过程，同时提高学习效率和准确性，特别是在需要函数逼近的模型中。文中还介绍了一种学习行动效益的方法，并将其用于估计更简单且泛化能力更强的状态转移模型。

    Jun, 2020

  • 多物体图谱能力网络：通过复合物体能力实现目标导向规划

    利用多物体图谱可行性网络来建模复合物体的可行性，并预测新物体放置在现存复合物体上的效果，展示了系统在模拟和真实环境中的适用性。

    Sep, 2023

  • 通过语义关系学习握取可利用性推理

    本文提出了一种基于 Markov 逻辑网络的方法，以视觉输入数据为基础来检测和提取物体的多个握取能力，通过多个语义属性的组合预测握取能力，通过学习典型的抓握图案使方法具有广泛的泛化能力，结果表明该方法在握取预测的新实例上具有良好的泛化能力。

    Jun, 2019

  • 以交互为预训练的地面功能表示学习

    借助神经网络建模物体状态，可以实现有效的物体功能信息提取并与传统语义学模型相结合，能够在基于图像的语言学习上取得更好的表现。

    Jul, 2022

  • 通过想象视觉可供性学习新技能：我在这里能做什么？

    本文旨在研究如何通过生成模型来让一个通用机器人学习视觉契合性的表征，以便于机器人可以在新环境中使用它的模型进行采样，进而进一步训练其策略从而达成其目标。这种做法可以被用于训练以原始图像输入为操作对象的目标编码策略，并可以通过我们提出的契合性导向探索机制快速地学习如何操作新对象。我们展示，通过五分钟的在线学习就可以在新场景下使用之前的数据训练机器人完成抽屉打开，抓取和放置的任务。

    Jun, 2021

  • 使用 Affordance Map 学习移动

    本文提出了一种基于自监督学习的模块化方法，该方法将传统的几何规划与学习空间场景表示相结合，以实现对动态对象和语义约束进行自主探索和导航。在基于 VizDoom 的仿真环境中得到了验证。

    Jan, 2020