- CVPR总体分解:最小交互下的三维场景重建
该研究论文提出了一种名为 Total-Decom 的方法,使用少量人工干预实现了 3D 场景的精确重建和实时控制,通过结合 Segment Anything Model (SAM)、混合隐式 - 显式神经表面表示和基于网格的区域生长技术实现 - 基于 LLM 的数字孪生优化人机交互系统
应用大型语言模型的案例研究表明,模拟复杂人口群体在大型开放空间中的行为和热偏好,并将其集成到基于增强学习的代理 - 环境闭环算法中,可以在节能和居住者舒适性之间找到平衡,从而显示出远优于传统的设定点控制策略,这表明在 CPS-IoT 应用中 - MResT:多分辨率感知实时控制的视觉语言模型
使用不同空间和时间分辨率的感知模式可以提高机器人操作任务的性能。本研究提出了一种名为 MResT(多分辨率变压器)的框架,利用具有不同容量的网络学习可推广的语言条件多任务策略,以有效地进行精确和反应迅速的实时控制。通过在 3 个领域(粗糙、 - 单图像生成说话人动漫的改进模型及其蒸馏
我们研究了使用单一动漫角色图像实时控制角色模型的问题,并通过提出新的构成网络架构和技术改进现有系统,使其在保持图像质量的同时,能够在实时应用中生成高质量动画帧。
- 水力分布网络实际应用中优化泵站可持续性的混合强化学习
本文介绍了一种改进的 “混合强化学习” 方法,通过将强化学习与历史数据相结合,提高了泵站调度优化的可操作性,增强了智能体的行为解释能力,并最小化错误,从而显著改善了实际水配管网络的可持续性、操作效率和对新出现情况的动态适应能力。
- 使用误差增强的肌电手势分类用户训练
设计并测试了一种实时控制的用户界面系统,通过提取腕带配置中八个电极的表面肌电(sEMG)活动。实时将 sEMG 数据传入机器学习算法,用于手势分类。实验结果表明,相对于基线,修改的反馈条件显著提高了准确性和手势分类分离,暗示了通过反馈操作的 - MMO-RAN 中用于实时推断和控制的分布式应用程序
提出了分布式应用机制(dApps)以实现实时多元管理和控制,并结合已有组件和接口来集成 O-RAN 结构,能够对基础功能进行推理和控制以支持比 RIC 需求更严格的时序。
- 自然语言指令的条件驱动
该研究介绍了一种基于语言的驾驶智能体,它使用递归层和门控注意力实现分层策略,通过条件模仿学习培训策略,并能够成功地解释语言指令并安全地跟随它们,甚至在以前未见过的环境中进行泛化。
- 用于欠驱动系统的能量势控制端到端深度 Lagrangian 神经网络学习
应用深度学习于机器人控制的方法可以提高设计机器人控制定律的智能性,本文提出了一种深度控制的方法,通过扩展 DeLaN 网络到能源控制上实现了通过泛化函数逼近进行的能源控制的学习,该方法在 Furuta 摆控制方面表现出优异的实时控制性能。
- 使用模仿学习在仿真四旋翼上跟随高水平导航指令
本文提出了一种基于神经网络和语义地图的导航模型,能够实时地将高层次的导航指令映射到连续的低层次速度指令上,通过改进的 DAgger 算法进行训练和测试,并通过学习到的语义地图实现了解释性强的指令跟随模型。
- 网络应如何自我运行
网络管理需要基于机器学习算法的实时控制方法和端到端性能的细粒度检测。
- 变分赋能实现无监督实时控制
介绍了一种计算实用价值下限的方法,使其可用作实时控制中的无监督代价函数,尤其适合于连续动态系统。
- 能效建筑中基于 HVAC 系统的分散温度控制
本文设计了分散、分布式的实时控制方案,旨在平衡用户舒适度和节能,并在不测量或预测外部干扰的情况下实现。通过调整区域流量,我们提出一个热动力学建模和稳态资源分配问题的优化方法,可以最小化区域温度和建筑能耗之间的总偏差,同时考虑实际操作限制。根 - NIPS基于循环神经网络集成的实时交互式序列生成和控制
我们提出了一种实时连续控制和 “掌控” 序列生成的方法,使用一组循环神经网络和动态改变模型混合权重,并使用基于字符的长短时记忆网络和手势界面演示了该方法。
- 推子滑块系统的反馈控制:混合和欠驱动接触动力学的故事
本文研究具有摩擦接触作用的动态系统的实时控制策略,通过在平面推动系统上考虑和测试一种新的反馈控制器设计,解决了多个复杂控制问题,包括摩擦角的动态约束和接触模式的混合特性,提出了一种基于 FOM 的模型预测控制方案来实现实时控制,并且通过对 - 使用深度学习和大规模数据集学习机器人抓取的手眼协调
通过卷积神经网络对单目图像进行学习,实现机器人抓握的手眼协调,并能实现实时控制、成功抓握陌生物体,以及通过连续伺服调节校正抓握错误。