Sep, 2024

MapEx：基于全局地图预测的室内结构探索与概率信息增益

HTML
PDF
TL;DR本文解决了机器人在结构化室内环境中探索效率低下的问题，提出了一种新颖的探索框架MapEx。该框架通过联合考虑机器人观察能力和不确定性，利用预测地图估计信息增益，实现了相较于传统方法12.4%的提升，具有显著的实用价值。
发现论文，激发创造
  • 使用主动神经SLAM学习探索

    论文介绍了一种名为Active Neural SLAM的模块化和分层方法来学习探索3D环境的策略，并在真实的3D环境中进行实验，结果表明该方法比过去的学习和几何方法更有效。

    Apr, 2020

  • SOON: 基于场景的对象导航和基于图形探索

    本研究致力于解决机器人在三维物体场景中远距离导航的问题，通过引入一种新的基于图反向传播的算法提高了导航的准确性并在包括objective ambiguity的复杂环境中进行了测试。

    Mar, 2021

  • 主动语义目标导航的映射学习

    本文提出了一种通过主动学习生成语义地图的框架，在未知环境下实现目标物体导航，通过在未观察区域内的语义类别的不确定性进行决策，实现了对场景中语义优先级的学习，并在 Matterport3D 数据库上验证了改进的导航效果。

    Jun, 2021

  • Stubborn: 室内物体导航的强基线

    论文提出了一种在室内环境中导航至目标物体的驱动方式，克服了在先前状态下最先进的主要失败模式：探索不足，物体识别不准确和由于制图不精确而使代理程序被困。该方法在探索策略、物体识别和障碍物识别方面提出了三个解决方案。

    Mar, 2022

  • 神经二分图匹配的多机器人主动建图

    本文介绍了一种名为NeuralCoMapping的算法，通过将多机器人建图问题转化为二分图匹配，并使用多通道图神经网络来简化亲和矩阵的填充过程，同时通过增强学习来优化线性分配层，该算法能够在较短时间内完成完整的地图构建，同时在各种室内场景和未见过的机器人数量上获得卓越的性能和通用性。

    Mar, 2022

  • 通过非局部信息提供的预测改进可靠导航在不确定性下的表现

    使用非本地可用信息预测进入未知空间的长期目标导航，在部分映射环境中改善可靠性；通过图神经网络依赖于非本地信息进行预测，确保可靠性；在实验证明相比非学习基线和仅使用本地信息的学习参考规划器，成本可降低9.3％和14.9％。

    Jul, 2023

  • 室内生活环境中增强机器人视觉-语言-导航能力的房间位置学习

    WIN是一个用于视觉语言导航任务的常识学习模型，它基于以前的经验，预测未知环境中的相邻房间，并通过局部-全局规划和本地性学习提供更好的智能导航性能。

    Sep, 2023

  • 面向移动机器人导航的预训练遮蔽图像模型

    利用基础视觉网络，预测环境结构模式，实现移动机器人的导航和探索。

    Oct, 2023

  • 一张地图找到所有物体：实时开放词汇映射用于零样本多物体导航

    本研究解决了复杂环境下机器人搜索物体的效率问题，通过引入一种新的基准允许机器人在零样本多物体导航中利用先前搜索的信息。我们提出了一个可重用的开放词汇特征地图，结合概率语义更新方法，提升了对语义特征提取误差的应对能力，并在实测中超越了现有最先进的方法。

    Sep, 2024

  • 移动机器人自主探索与大型室内环境的语义更新

    本文解决了移动机器人在未知环境中自主探索及语义地图更新的挑战。我们提出了一种结合2D占用网格地图和拓扑图的语义地图表示方法，使得机器人能够有效更新环境变化的语义信息。实验证明，系统能够在93米 x 90米的环境中进行语义建图，并在物体移动后更新地图，具有重要的应用潜力。

    Sep, 2024