机器人地形分类的损失正则化

Mar, 2024

Loss Regularizing Robotic Terrain Classification

Shakti Deo Kumar, Sudhanshu Tripathi, Krishna Ujjwal, Sarvada Sakshi Jha, Suddhasil De

TL;DR这篇论文提出了一种新的半监督方法来对腿式机器人进行地形分类，避免了对长变长数据集的预处理，采用堆叠式长短时记忆架构和新型的损失正则化方法，解决了现有问题并提高了准确性。与现有架构的比较显示出了改进。

Abstract

Locomotion mechanics of legged robots are suitable when pacing through difficult terrains. Recognising terrains for such robots are important to fully yoke the versatility of their movements. Consequently, robotic terrain classification becomes significant to classify terrains in real

legged robots terrain classification convolution based classification long short-term memory semi-supervised method

发现论文，激发创造

结构化地形运动的神经场景表征

本文提出一种基于学习的方法，重建移动机器人行进城市环境中的局部地形，通过算法估计机器人周围的地形，采用 4D 全卷积网络，可以利用合成数据进行训练，并在机器人上取得良好效果。

Jun, 2022

基于深度学习的地形分类和地面机器人滑动估计

应用深度学习算法解决了地面移动机器人中的两个关键问题，并比较了传统机器学习方法和深度神经网络的性能表现以及体现网络结构的调参参数对于结果的影响。

Jun, 2018

自适应元学习用于 Rover - 地形动力学识别

本文提出了一种基于元学习的方法，通过将贝叶斯回归算法（P-ALPaCA）与参数仿射的标称模型相结合，增强了探测器动力学的概率预测，并引入了一种正则化方法，以鼓励标称和学习特征的正交性，从而导出可解释的各种地形条件下的地形参数的概率估计。

Sep, 2020

利用地面分割实现抗离群点的长期机器人地图构建

通过提出快速而稳定的地面分割、鲁棒的带地面分割的异常值鲁棒注册、层次化多场景 SLAM 以及基于实例感知的静态地图构建，实现了一个长期稳定的机器人建图系统。

May, 2024

从模拟中学习地面可通行性

该研究论文介绍了一种基于卷积神经网络的高程图分类方法，在模拟环境中训练唯一的分类器来预测机器人在不同地形上的通过性，并在室内和室外环境中进行真实机器人验证。

Sep, 2017

学习四足动物在复杂地形上的步态

本研究基于神经网络的方法实现对四足动物的运动控制，采用自主提供的本体感觉信息，具有很强的普适性和鲁棒性，在模拟和自然环境中都有良好的表现，并在本次试验中优于以往的四足动物机器人，对未来的机器人研究具有大量的实践价值。

Oct, 2020

自监督地形表示学习从无约束机器人经验

自我监督的地形表示学习（STERLING）是一种无需额外约束数据收集的机器人地形感知方法，通过非对比表示学习实现多模态自我监督目标，为机器人导航提供相关的地形表示，该方法在机器人在野外环境的视觉导航任务中与全监督方法相当，优于其他先进方法并表现出对真实世界坎坷条件的鲁棒性。

Sep, 2023

无监督声学特征学习的自监督视觉地形分类

提出了一种利用无监督感知分类器自我监督外感图像的像素级语义分割的新型地形分类框架，通过学习极少标注图像的弱监督训练，能够在未知城市环境中为移动机器人提供更安全和高效的导航。

Dec, 2019

从人类演示中学习语义感知的运动技能

该研究提出了一个从感知中学习语义导向运动技能的框架，以使四足机器人可以穿越复杂的越野地形在感知信息的帮助下以适当的速度和步态进行行走。

Jun, 2022

四足机器人数据有效强化学习

本文提出了一种基于模型的机器人运动框架，在只采集 4.5 分钟（45,000 个控制步骤）的四足机器人数据的基础上实现了步行，通过引入跟踪多个时间步长上的模型预测的损失函数来准确地建模机器人的动力学，使学习到的模型可以进行实时控制，此方法比当前的无模型方法在样本效率上提高了一个数量级以上。

Jul, 2019