- 规划机器人放置以进行物体抓取
通过利用机器人的可达性、环境的 RGB-D 图像和占用栅格图,提出了一种服务机器人工作流中的机器人位置选择算法,通过选择机器人位置以实现成功抓取目标对象,从而与现有的基线实现相比,改善了机器人在具有挑战性位置上抓取目标物体的能力。
- 理解路径规划解释
通过图像和文本解释,我们提出了关于机器人导航决策的理解性和简洁性的用户研究。
- 基于强化学习的移动机器人局部路径规划
评估了具有深度 Q-Learning 和 Deep DQN 结构的机器学习算法,以解决自主移动机器人避开障碍物的路径规划问题。
- 基于几何特征的紧耦合激光雷达 - 视觉 SLAM 移动代理方案
本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难,提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法,是当前多模态方法中姿态估计更为精确和健壮的。
- 导航至特定图像所指示的对象
本研究介绍了一个可以在仿真和现实实现物体到达任务的系统,该系统采用模块化方法解决了探索、目标识别、目标定位和本地导航等子任务,无需任何微调,实现了较高的成功率,并在移动机器人平台上展示了有效的实际性能。
- 用于地面移动机器人低维感知无地图导航的双深度强化学习技术
本文研究了如何使用深度强化学习和双重深度 Q 神经网络算法来优化无地图导航中移动机器人的导航和避障任务,并证明使用双重深度 Q 结构比简单 Q 结构更有效。
- 一个分层变量自治混合主动性框架:面向移动机器人的人机协作团队
本文提出了一种混合倡议 (MI) 框架,用于解决远程人操作员和人工智能代理共同控制移动机器人时控制权转移的问题。我们的 Hierarchical Expert-guided Mixed-Initiative Control Switcher - IR-MCL: 基于隐式表示的在线全局定位
本文提出一种基于神经场的方法,使用 2D LiDAR 数据在室内环境中估计机器人的姿态,并将其用于蒙特卡罗定位系统中的观测模型,实现了精确的本地化。实验表明,所提出的隐式表示能够预测更准确的 2D LiDAR 扫描,带来了粒子滤波定位的更好 - 复杂环境下机器人路径规划的一种基于知识的遗传算法
提出了一种新颖的基于知识的遗传算法,用于在非结构化复杂环境中规划移动机器人的路径规划,其中独特的路径表示方法和有效的路径评估方法使其能够准确检测冲突并在静态 / 动态复杂环境中找到接近最优的机器人路径。
- DoRO: 针对具身代理的所指对象消歧
DoRO 是一个可以提出适当查询帮助机器人消除歧义的系统,可以通过结合多个视图的观察来找到给定区域内对象的所有实例,并使用这些信息提出合适的查询。在 AI2Thor 模拟器上的实验表明,DoRO 不仅能更准确地检测到歧义,还可以使用来自视觉 - 在线稳定强化学习框架
本篇论文介绍了一种将在线增强学习与经典控制的元素(基于 Lyapunov 稳定性理论)进行结合的方法,可在不进行长期预训练的情况下为移动机器人提供稳定的控制能力,并通过实验研究证明了该方法的有效性。
- Covy:一种配备复合视觉系统的 AI 机器人,用于检测社交距离规定的违规行为
本文介绍了一种复合视觉系统,使用廉价相机使机器人能够将人定位在 15 米以内,并提出了一种组合深度强化学习和概率定位方法的鲁棒导航堆栈,用于实现低成本移动机器人用于推广社交距离或估计人群密度等应用程序。我们通过广泛的模拟和现实环境下的实验评 - 结构化地形运动的神经场景表征
本文提出一种基于学习的方法,重建移动机器人行进城市环境中的局部地形,通过算法估计机器人周围的地形,采用 4D 全卷积网络,可以利用合成数据进行训练,并在机器人上取得良好效果。
- 移动风机下的气动非抓握操作学习
该研究介绍通过气动非抓取性操纵(吹气)来有效地将散乱的物体移动到目标容器。研究通过基于深度强化学习的空间动作地图框架实现了高水平的规划和低水平的闭环控制的有效组合。结果表明,吹气比推动等方法更有效,也证明了在低水平微观控制和高水平规划等不同 - CVPRSeqNetVLAD vs PointNetVLAD: 白天黑夜场所识别中的图像序列与三维点云
比较三维点云方法和基于图像序列的方法在场所识别性能上的差异,结果表明对于特定度量跨度,基于图像序列的技术可以接近甚至超过基于点云的方法的表现。
- 快速稳健的生物启发式教与重复导航
本文研究了移动机器人的自主导航问题,通过异步教学和重复的策略,结合视觉处理和硬件测距的信息,实现了对室内和室外复杂环境的有效导航和运动控制,并且在不同机器人平台之间具有较好的通用性和重复性。
- 使用内在动机进行层次感知发现
本文提出了一种使用内在动机来指导移动机器人利用环境中可行的任务来自主学习并适应互相关联的任务的方法。
- 马拉松 2:导航系统
Navigation2 是一种新型导航解决方案,它基于 ROS Navigation 成功的基础上建立,使用行为树进行任务编排,可以运用于更广泛的现代传感器,以及借助 ROS2 作为其程序生命周期和安全性管理的通信框架等特征来适用于安全关键 - 从单一遍历中学习可部署的千米级导航策略
通过单次覆盖遍历记录数据,提出了一种有效地在移动机器人上快速学习面向目标导航策略的方法,并且能够在实际机器人上成功地部署,同时能够处理测试时的环境外观差异。
- GONet:一种用于遍历能力估计的半监督深度学习方法
我们提出了 GONet 的半监督深度学习方法,它使用生成对抗网络对鱼眼图像进行遍历估计,这使得移动机器人能够在实时操作中使用快速而内存效率高的方法进行遍历估计,并在新数据集上优于现有的基线方法。