- 机器人操作中学习从计划执行错误中恢复的神经符号方法
自动检测和恢复机器人故障是一个重要而具有挑战性的问题。我们提出了一种将学习与符号搜索相结合的方法,用于自动化的错误发现和恢复,无需故障的注释数据。我们的方法的核心是一种神经符号化状态表示,通过环境中存在的对象构建稠密场景图形的形式进行结构化 - MEXGEN:一种高效有效的信息增益近似用于信息收集路径规划
通过开发计算上高效且有效的算法,我们为在不确定信念状态下预测可能的传感器测量结果这一困难问题提供了一个更精确的近似解。实验结果表明,在多旋翼飞行器的广泛模拟和实地实验中,我们的方法在无线电源跟踪和定位问题中取得了改进的性能增益。
- CVPREnCoMP: 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 - 一个用于协同多智能体系统的信任因子图模型
该研究通过引入因子图的新图形方法,揭示了多智能体系统中代理之间的行为和可信度关系,并提出了一种分散式评估可信度的方法,以考虑接近安全、一致性和合作等关键因素,验证了该方法在无信号交叉口中自主导航的模拟和实证测试中的有效性。
- 自适应信息路径规划的深度强化学习与动态图
自适应在线路径规划和深度强化学习的无人机机器人在未知环境中更高效地探测目标。
- TopoNav:稀疏奖励环境下的高效探索的拓扑导航
自主机器人的目标导向探索中,TopoNav 框架通过主动拓扑映射、内在奖励机制和分层目标优先级确保有效、适应性强的探索,提高探索效率和导航准确性,适用于搜索与救援、环境监测以及行星探索等广泛应用领域。
- 视障人士导航中的地面提取与门检测
建议利用传感器和算法的组合,建立一个适用于视障人士的导航系统,该系统基于传统的 RGB-D 相机,结合鱼眼相机的信息,提供了对环境的鲁棒性与可靠性,使用户能够规划路径并避开障碍物。
- 透明物体的部件感知全景分割用于机器人操作的高效算法
自主机器人在医院的辅助任务中的应用有可能解放合格员工,提高病人护理质量。然而,在医院环境中存在大量变形和透明物体,这对基于视觉感知系统带来重大挑战。我们提出了 EfficientPPS,一种用于部分感知全景分割的神经结构,可为机器人提供语义 - 基于语义能力模型和半导体制造技术的自动化工艺规划
通过语义能力模型生成自动化的人工智能规划问题,结合现有解决器,找到有效的能力序列,包括所需的参数值,并提供集成人类专业知识和解释的可能性,帮助理解规划决策。
- CenterGrasp:面向对象感知的隐式表示学习,用于同时形状重建和 6 自由度抓取估计
通过编码形状和有效抓取的连续潜空间,CenterGrasp 框架结合了物体识别和整体抓取,实现了场景的强场景重建和六自由度抓取 - 姿态估计性能的显著改进。
- 农业中基于视频的人工采摘活动分类
部署一支由自主机器人组成的舰队来与农场工人一起工作,可以在农业系统中提供极大的生产力和物流效益。本研究的主要贡献是创建了一个基于视频的人体摘取行为检测的基准模型,用于服务于不同农业场景的收获操作。
- 机器人学习中用于外部分布检测的拓扑匹配归一化流
为了在现实世界中实现可靠的自主机器人部署,对 Out-of-Distribution (OOD) 检测能力的需求很高。基于密度估计和归一化流的 OOD 检测是一种有效方法,但之前的工作尝试使用简单的基础分布拓扑地匹配复杂的目标分布,导致了不 - Co-NavGPT: 多机器人协作视觉语义导航
提出了一种创新性的框架 Co-NavGPT,将大型语言模型(LLMs)作为多机器人合作视觉目标导航的全局规划器,通过编码探索环境数据,为每个机器人分配探索边界,实现高效的目标搜索,实验结果表明 Co-NavGPT 在成功率和效率方面优于现有 - 安全的深度策略适应
SafeDPA 是一种处理策略适应性和安全强化学习问题的新型强化学习与控制框架,通过在仿真环境中联合学习自适应策略和动力模型,并通过少量现实数据进行动力模型微调,引入基于控制屏障函数的安全过滤器,以确保在现实世界部署中的安全性。SafeDP - 弹性的腿式本地导航:学会利用受损感知进行端到端地穿越
自主机器人在未知环境中可靠导航,即使在外部感知出现故障时,或者感知算法由于有限泛化能力而对场景进行错误解释时也是如此。本文将感知故障建模为不可见的障碍物和坑洞,并训练了基于强化学习的本地导航策略来引导四足机器人,在受损感知的情况下对感知故障 - RaLF:基于流的全局和度量雷达定位在 LiDAR 地图中
本文提出了一种名为 RaLF 的新型深度神经网络方法,用于通过同时学习处理位置识别和度量定位,将雷达扫描定位到环境中的 LiDAR 地图中。通过跨模态度量学习,在两种模态之间学习共享嵌入空间来解决位置识别任务,同时通过预测像素级流向量将查询 - 从零开始发现适应性符号算法
提出了一种基于 AutoML-Zero 的方法 AutoRobotics-Zero(ARZ),该方法能够从零开始发现可以适应环境变化的策略。该方法采用线性寄存器机制来构建具有完整表达能力的控制算法,并在适应突发环境变化时即时调整模型参数和推 - 多个时间任务下的最优成本偏好权衡规划
本文提出一种新颖的优先级概念,可表达对每个任务及其关系的偏好,并通过对 A * 搜索的扩展来生成符合用户偏好和资源优化的帕累托最优计划。同时,通过多目标 A * 算法适应性改进计算所有最优的取舍,并提出一个问题无关搜索启发式以实现可扩展性, - 基于局部区域映射的方法对关节化物体进行分类
该论文提出了一种基于点云和本地转换的方法来对物体进行分类,以确定其是否是刚性或关节的。该方法具有无约束性和无模型的优势,可在不需要任何对象模型或已标记的数据的情况下识别物体的关节和刚性部分。作者在两个公开数据集上进行了性能测试,表明该方法能 - SocNavGym:面向社交导航的强化学习 Gym
本文介绍了一种名为 SocNavGym 的仿真环境,该环境可以生成各种社交导航情景,并可以与不同的社交奖励信号配合使用以提供评估结果,同时可以训练出具有高度社交合规性的导航智能体。