CVPRApr, 2024

基于价值引导扩散策略的部分可观测环境下的多用途导航

PDF
TL;DR基于部分可观测性的 2D 和 3D 路径规划中，我们提出了一种多功能的基于扩散的方法，通过增加计划预测和状态估计，以及最佳计划选择策略和点云映射技术，优于传统自回归和基于扩散的方法，并实现从 2D 到 3D 的零 - shot 转移。
route planningdiffusion-based methodspartial observabilityvalue-guided diffusion policy2d and 3d scenarios
发现论文，激发创造
  • 探索和导航的目标屏蔽扩散策略

    机器人学习在陌生环境中导航需要提供任务导向导航和任务无关探索的策略。本文介绍了如何训练一个统一的扩散策略来处理目标导向导航和目标无关探索，证明了该统一策略在导航到视觉指示目标时相比于其他方法具有更好的性能和更低的碰撞率。

    Oct, 2023

  • 将算法规划和深度学习相融合用于部分可观测导航

    提出了一种机器人系统的新方法，其中一个较大系统的每个构件都表示为可微分的程序，即深度神经网络，应用到一个具有挑战性的部分可观测机器人导航任务中。在预测性模拟实验中，成功训练 Navigation Networks（NavNets）来解决这个具有挑战性的部分可观察的导航任务。

    Jul, 2018

  • 利用扩散计划实现灵活的行为合成

    本文通过扩展动力学模型，利用扩散概率模型去掉了传统轨迹优化方法的瓶颈，将采样和计划步骤近乎完全融合，通过分类器和图像插值获得了在线规划策略，并在长期决策和测试时间灵活性强的控制环境中成功应用了该框架。

    May, 2022

  • 深度可微规划器实现实际导航

    本研究提出了一种基于不同可微可导规划器的机器人导航方法，用于规划并导航三维环境中的机器人，并考虑实际应用中的限制，该方法是在无需先验知识的情况下从安全的专家示范中训练产生，能够成功地应用于真实机器人的模拟导航。

    Aug, 2021

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

    Dec, 2022

  • LDP: 用于高效机器人导航和避障的本地扩散规划器

    基于条件扩散模型，本研究探索了多样化的数据生成机制以及全局 - 局部信息的集成，以解决机器人本地导航中的挑战，如数据紧迫性和近视观察。通过该方法，实现了在各种场景中出色的避碰能力和更健壮的导航决策。

    Jul, 2024

  • 对抗多智能体游戏中的扩散 - 强化学习层次化运动规划

    基于强化学习的运动规划在自主导航到机器人操控等方面已显示出超越传统方法的潜力。本文针对部分可观察多智能体对抗潜逃游戏（PEG）中规划机动任务展开研究。我们提出了一种分层架构，将高层扩散模型与低层强化学习算法结合，分别用于全局路径规划和回避行为推理。该方法通过利用扩散模型引导强化学习算法进行更高效的探索，并提高了可解释性和预测能力，相较于基准模型的表现提高了 51.2%。

    Mar, 2024

  • Diffusion-ES：基于扩散的没有梯度规划，用于自动驾驶和零指令跟随

    DiffusionES 通过组合无梯度优化和轨迹去噪的方法，在数据流形内优化黑盒不可微目标，达到了先进的自主驾驶规划性能，并能优化非可微的语言形状奖励函数，生成复杂行为并解决现有轨迹优化方法和驾驶策略无法应对的场景。

    Feb, 2024

  • 带拓展空间 POMDP 规划的人群意图感知导航

    本文提出了一种混合在线部分可观察马尔可夫决策过程规划系统，针对多模态不确定性对自主导航的影响。通过使用多查询运动规划和在线 POMDP 求解器，我们实现了更加灵活和高效的实时方法，从而更好地解决了密集人群和障碍物之间的自主导航问题，并获得了更高的安全性和效率。

    Jun, 2022

  • 3D 扩散行为者：带有 3D 场景表示的策略扩散

    我们结合扩散策略和 3D 场景表示来实现机器人操纵，提出了一种名为 3D Diffuser Actor 的神经策略体系结构，它在给定语言指令的情况下构建视觉场景的 3D 表示，并在此基础上迭代性地对机器人的末端执行器进行 3D 旋转和平移噪声去除。通过实验验证，我们的模型在机器人学习领域取得了显著的性能提升。

    Feb, 2024