Apr, 2024

Transformer 增强式运动规划器：基于注意力引导的采样用于特定状态决策

PDF
TL;DR提出了一种名为 Transformer-Enhanced Motion Planner（TEMP）的新型深度学习运动规划框架，它与 Environmental Information Semantic Encoder（EISE）和 Motion Planning Transformer（MPT）相结合，通过将环境数据转化为语义环境信息（SEI），提供更丰富的环境理解，进而利用注意机制动态重新校准其对 SEI、任务目标和历史规划数据的关注，从而改进样本节点生成，该框架的有效性经过系统评估表明，在各种任务维度上表现出卓越的性能指标和更高程度的泛化能力，相较于现有的先进的基于采样的运动规划算法（SBMPs）具有显著优势。
sampling-based motion planningtransformer-enhanced motion plannerenvironmental information semantic encodermotion planning transformerrrt*
发现论文，激发创造
  • 使用 Transformer 学习采样字典，实现机器人运动规划的高效与通用

    本论文提出了一种名为矢量量化运动规划转换器（VQ-MPT）的新方法，它克服了以往基于学习的方法的主要限制，包括无法扩展到更高维度空间和缺乏对分布之外环境的通用性，使其能够应用于各种复杂性系统，实现了较高的成功率和更快的路径规划。

    Jun, 2023

  • 可微空间规划：基于 Transformer 的实现

    利用数据中的统计规律，我们提出了空间规划变换器 (SPT)，通过学习障碍地图生成长程空间相关的行动来规划移动路径，实现了比先前数据驱动规划方法更好的算法，能够适应不同的障碍地图和任务目标。

    Dec, 2021

  • 基于序列的计划可行性预测，以优化任务和动作规划

    我们开发了一种基于 Transformer 的架构 PIGINet，该架构可通过融合图像和文本嵌入以及状态特征，预测计划可行性，并根据预测的满足度排序 TAMP 计划器生成的计划骨架，从而能够大大提高可行性规划的效率。

    Nov, 2022

  • 基于结构化图模型和变压器的模型预测仿真

    我们提出了一种基于 transformers 和概率图模型的多个相互作用代理（道路用户）轨迹模拟方法，并将其应用于 Waymo SimAgents 挑战。我们的方法基于 MTR 模型，使用先验知识编码因子来生成并改进轨迹预测，该模型通过执行高斯牛顿方法的（近似）最大后验推理来采样数十个代理的未来轨迹。我们的方法名为 “模型预测模拟”（MPS），在安全关键指标（如碰撞率）方面改进了 MTR 基线，并且与任何潜在预测模型兼容，不需要额外的训练。

    Jun, 2024

  • 使用视觉动作转换器模拟任务与运动规划

    该论文提出了一种新的模仿学习系统 OPTIMUS，通过模仿 TAMP 代理来训练大规模视觉运动装置策略，从而介绍了一种专门为模仿学习策划的 TAMP 数据生成流程，并演示了 OPTIMUS 可以解决各种挑战性的基于视觉的操作任务。

    May, 2023

  • MTR++：基于对称场景建模和引导意图查询的多智能体运动预测

    本文提出了 Motion TRansformer (MTR) 框架进行自动驾驶中的动态预测，该框架使用可学习的意图查询来提高效率和准确性，适应多种行动方式的需求，同时扩展到多个代理的多模态预测，实现了对高度竞争的运动预测基准的最新表现和有效性的提升。

    Jun, 2023

  • 适用于具有长视程任务的实体代理的场景记忆变压器

    提出了一种新的记忆 - 基策略 Scene Memory Transformer (SMT)，将每个观察值嵌入并添加到记忆中，并使用注意机制来利用时空依赖关系，该模型通用且可以在长时间段内高效地使用强化学习训练。在一系列视觉导航任务中，SMT 表现出比现有的反应式和基于记忆的策略更出色的表现。

    Mar, 2019

  • DeepEMplanner：一种具有迭代交互的电子显微动作规划器

    运动规划是一个计算问题，它通过考虑其他智能体的预测、环境理解以及历史和未来的上下文，找到一系列有效的路径，同时还可以看作是智能体根据其他智能体的意图和环境不断规划下一步移动的一种博弈过程，进而通过渐进的行动实现最终目标。本研究提出了一种新的框架 DeepEMplanner，该框架考虑了逐步的交互过程，用于细粒度行为学习，并通过交互机制和层次动态关键对象注意力更好地建模了自我、智能体和动态环境之间的交互。实验结果表明，我们的方法在 nuScenes 基准测试上取得了最先进的结果。

    Nov, 2023

  • 具有全局意图定位和局部运动细化的运动变换器

    本文提出了一个 Motion TRansformer (MTR) 框架，将运动预测看作全局意向定位和局部运动细化的联合优化问题，通过可学习的少量运动查询对来引入空间意向先验，实现了更好的多模态预测。实验表明，该方法在多个运动预测挑战上均达到了最先进的水平，并在 Waymo 开放式运动数据集的排行榜上排名第一。

    Sep, 2022

  • 从 Transformer 表征学习认知地图以在部分观察的环境中进行高效规划

    本论文提出了一种带有离散瓶颈层的 Transformer 模型，通过学习压缩形式的历史观测和操作，从部分观测的环境中提取解释性的环境认知图，并用于解决路径规划问题，该模型在预测性能、求解速度和解释性上都表现出色。

    Jan, 2024