- 从 NeRF 到高斯点,然后回来
在机器人应用中,参数化表示如神经辐射场(NeRF)相较于非参数化表示如高斯分块(GS)更具泛化能力,但 GS 渲染速度更快。我们开发了一种在这两者之间进行转换的方法,既拥有 NeRF 的优势(在不同视图下具有更好的 PSNR、SSIM 和 - 神经场中的物体注册
本文介绍了神经场在机器人应用中对 3D 几何和外观的连续场景表示,重点探讨了神经场在机器人领域中用于对象 6 自由度注册的方法和应用,展示了利用场景和对象神经场模型确定已知对象在场景中的 6 自由度姿态的情景,并展示了如何在不完美模型的场景 - 通过灵活的分层细化和补丁描述符精炼的广义匹配
本文的主要关注点是解决深度特征匹配(DFM)的局限性,通过采用更灵活的最近邻搜索策略并集成图像补丁描述符,扩展了 DFM 的适用范围,同时提出了一种新颖的图像补丁描述符精炼策略,进一步降低了对应匹配的计算复杂度,实验证明我们的方法在实际机器 - 关于在机器人中部署 LLMs/VLMs 的安全问题:凸显风险和脆弱性
通过检查最近在大型语言模型(LLMs)和视觉语言模型(VLMs)与机器人技术交叉领域的工作,我们展示了将大型语言模型和视觉语言模型整合到机器人应用中所涉及的稳健性和安全性的关键问题。我们定义并提供了几种可能的对抗性攻击的例子,并在三个重要的 - Reg-NF: 神经场中隐性表面的高效配准
本研究采用神经场进行注册,通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换,实现连续隐式表示的多个神经场的注册,同时讨论神经场在无约束环境中的应用挑战和未来研究方向。
- 自动驾驶车辆的盲点估计基于基于场景的随机参考传感器模拟
本论文介绍了一种用于估计自动驾驶车辆和 / 或机器人应用的传感器设置的盲区的方法。与依赖几何近似的先前方法相比,我们提出的方法利用准确且详细的 3D 模拟环境,提供了更实际的覆盖范围估计。我们的方法利用来自 LiDAR 传感器的点云或高保真 - 具有状态约束的两人对称差分博弈的价值逼近
使用三种方法解决了物理信息机器学习方法在机器人应用中由于采样性质而产生的不连续解的问题,并在 5D、9D 车辆模拟和 13D 无人机模拟中证明了混合方法在泛化和安全性能方面的优越性。
- 可变形物体跟踪的快速点云到网格重建
我们开发了一种能够以超过 50 赫兹的速度为不同类别的对象创建变形点云的变形网格的方法,该方法使用点云自动编码器和 Real-NVP 架构设计,可以在闭环方式下提供在线反馈并进行机器人应用的网格重建和跟踪。
- 机器人中的图学习:一项调研
在这篇论文中,通过对图神经结构进行综述,从机器人的角度探索了图学习在机器人应用中的潜力、挑战和各种应用案例,以期为读者提供深入的了解,并为未来的研究指明可能的方向。
- 先进热力致动器的机器学习辅助精准位置控制和热调节
使用基于机器学习的恒功率开环控制器,能够通过构建位移轨迹和所需功率之间的映射,实现对尼龙人工肌肉的位置控制,无需外部传感器。
- 从 SAM 中学习:通过正规化利用分割基础模型进行 Sim2Real 领域自适应
自主域自适应方法对目标域训练数据稀缺和注释成本高的机器人应用领域尤为重要。我们提出了一种自我监督的域自适应方法,适用于仅有标注源领域数据但目标领域数据完全无标注的情景,并且我们使用了分割基础模型(Segment Anything Model - ICML关于多智体互动的微分博弈、最优控制和能量模型之间的关联
该研究论文提出了一种基于能量的潜在博弈模型,通过整合神经网络和可微分博弈论优化层,应用于机器人交互中,显示了改进神经网络预测性能的实证结果。
- 基于向量表示的离散和连续域在线目标识别
本研究基于传统调用规划器和简化运动模型,提出了一种高效的在线目标识别方法,可在离散和连续领域内使用,适用于需要亚秒级识别的机器人应用。
- MoVie: 基于模型的视图概括策略自适应
本文提出了一种名为 MoVie 的视觉模型策略适应方法,通过在测试期间实现视图泛化,无需任何明确的奖励信号和任何训练期间的修改,可显著提高目标任务的性能表现,这表明该方法在实际中应用于机器人技术具有巨大的潜力。
- 非定向点云分解的凹面诱导距离
提出了凹凸感知距离(CID)作为一种度量无定向点云中一对点之间差异的新方法,CID 可用于点云分析、点云实例分割和分组,是一种在机器人应用中处理原始点云观测结果的有用工具.
- 机器人应用的语义场景分割
本研究探讨了在各种环境(GPUs、输入大小等)下,最成功的语义场景分割模型在推断速度方面的行为,以比较研究现有的最先进的分割模型并选择最符合机器人应用要求的模型。
- 基于骨架的动作识别姿态优化图卷积网络
本研究提出了一种高效的图卷积网络 Pose Refinement Graph Convolutional Network,通过逐步融合运动和空间信息以及尽早减少时间分辨率的并行结构,显式处理姿势误差,从而比其他图卷积网络具有更好的权衡精度, - 在线规划下的离线策略学习
研究了半参数 H 步先知政策在深度强化学习中的应用,提出了 Learning Off-Policy with Online Planning (LOOP) 方法,该方法使用学习模型和终端价值函数,并通过 Actor Regularized - 自监督实例适应的单目深度估计
本文介绍了一种新方法,可将任何现成的自我监督的单目深度重建系统扩展到在测试时使用多个图像。该方法利用自我监督来提高多个视图可用时深度重建的准确性,在 KITTI 基准测试中,我们的自我监督方法在常见的三种设置(单目、立体和单目 + 立体)下 - 运动规划网络
Motion Planning Networks (MPNet) is a novel neural network-based algorithm that efficiently generates collision-free pat