May, 2024

CoverLib: 领域调优运动规划的问题分配覆盖最大化的分类器装备经验库

PDF
TL;DR通过构建和利用 CoverLib 库，本文提出了一种基于库的方法，以实现快速的运动规划，并解决全局和局部方法在可规划性和速度方面的权衡问题。
发现论文，激发创造
  • 可扩展的在线探索

    探索是强化学习中的一个主要挑战，该研究提出了探索目标 —— 一种能够使任何奖励函数最大化的政策优化目标，作为一个概念框架来系统研究探索。在这个框架中，引入了一个新的目标 $L_1$-Coverage，它推广了以前的探索方案并支持三个基本的愿望：内在复杂性控制、高效规划和高效探索。经验证实，$L_1$-Coverage 能够有效地驱动政策优化算法对状态空间进行探索。

    Mar, 2024

  • EnCoMP: 提升的秘密机动规划的离线强化学习

    提出了一种增强型导航系统，使机器人能够识别和利用自然和人工的环境特征作为掩护，从而减少对潜在威胁的暴露，并以高效的方式进行导航。通过使用 LiDAR 数据生成高保真度的掩护地图和潜在威胁地图，我们的感知管道提供了对周围环境的全面理解。通过使用从真实环境中收集的多样化数据集训练离线强化学习模型，学习一个评估候选动作质量的强大策略，该策略基于其最大化掩护利用、最小化对威胁的暴露以及有效到达目标的能力。广泛的真实世界实验证明了我们的方法在成功率、掩护利用、暴露最小化和导航效率方面相对于最先进方法的优越性。

    Mar, 2024

  • PAC 强化学习的主动覆盖

    本研究提出了一个灵活的框架来解决强化学习过程中数据覆盖率问题，并通过 CovGame 算法来匹配最低采样复杂度，进而解决了不同的演示性增强学习任务问题。

    Jun, 2023

  • 透过覆盖镜头实现主动学习

    通过覆盖方法，基于深度主动学习的 ProbCover 算法在低预算情况下，利用表征学习和自监督学习的最新进展进行子集选择，从而最大程度地提高了覆盖概率，进而在图像识别基准测试中显示出比现有方法更好的性能，特别是在半监督设置下。

    May, 2022

  • 学习运动规划的隐式采样分布

    本论文提出了一种基于政策搜索的方法，通过利用类似环境中过去搜索的信息生成更好的分布来适应不同环境。该方法可与各种基于采样的计划程序结合使用，以提高性能，验证结果表明该方法在包括 7 自由度机械臂在内的多项任务中取得了显著改进，尤其在碰撞检查和扩展节点数量方面。

    Jun, 2018

  • 组合覆盖下的主动学习

    本文提出一种利用组合覆盖来解决机器学习中主动学习的数据样本选择方法，相较于现有模型导向性的方法，新方法具有更好适用性，能够有效降低模型转移和采样偏差问题。

    Feb, 2023

  • LPAC：可学习的感知 - 动作 - 交流循环及其在覆盖控制中的应用

    该研究提出了一个学习型感知 - 行动 - 通信（LPAC）架构，用于分布式机器人群控制问题，通过卷积神经网络处理感知环境、图神经网络实现机器人之间的通信和浅层多层感知器计算机器人动作，并验证该架构在覆盖控制方面超过了标准的分布式和集中式算法，表明 LPAC 架构适用于机器人群的分布式导航以实现协作行为。

    Jan, 2024

  • 未知环境下在线覆盖路径规划的端到端强化学习

    该研究提出了基于强化学习的、连续状态和动作空间下的在线覆盖路径规划方法，用于处理未知环境的大型区域，并且结合了全局地图和局部感知输入，以及多尺度地图输入表示的观测空间构建，通过提出的全变差奖励，实现了学习路径上无漏洞被覆盖的目标。

    Jun, 2023

  • 主动覆盖

    该文针对主动覆盖问题，借助支持向量估计器等算法在无标签数据集上提出了在少量标签查询即可完成标记所有阳性样本的主动学习方法，并证明该方法在图像数据集等基准测试中取得了相对优于离线方法和基线算法的效果。

    Jun, 2021

  • 图像分类的内存高效类增量学习

    本研究针对类增量学习时可能出现的 “灾难性遗忘” 问题，提出了一种记忆资源高效利用的样本保存方案，并结合一种主副样本协作学习方案，以缓解样本来源、质量不同带来的问题。实验结果表明该方案在类增量学习中具有较好的性能表现。

    Aug, 2020