- ContactArt:学习类别级可观测物体和手势姿态的三维交互先验
通过视觉远程操作收集数据和获取姿态估计和接触信息,提出了一种新的数据集和新的方法来学习手和动态物体姿态估计的交互先验知识。通过对数据的学习,可以提高联合手和关节物体姿态估计的性能。
- 基于强化学习的行为规划与采样运动规划的自动驾驶集成
本文提出一种利用深度强化学习的自主驾驶行为规划模型,通过预测未来交通情况,将高层行为规划接口化,并通过循环规划策略进行实验验证。
- 通过多尺度语义匹配将仿真图像转换为 X 射线图像
本论文中,我们提出了一种利用多尺度语义匹配的图像翻译方法,旨在将内镜模拟器中的图像翻译成 X 光图像。通过进行自领域和交叉域匹配,我们解决了图像翻译中存在的结构信息丢失等问题,实现了高度逼真的 X 光图像生成效果,并超过其他最先进的方法。
- 预测活动普通物品的运动计划
本文介绍了一种将移动机器人操作任务的规划问题转化为学习问题的方法,并提出了一种基于 ArtObjSim 模拟器的快速和灵活的 SeqIK+$ heta_0$ 运动规划表示方法和相应的学习模型,该方法在测试时可以快速准确地预测关节式对象的运动 - gym-DSSAT:一个将作物模型转换为强化学习环境的平台
本研究提出了一种基于 gym-DSSAT 的开源强化学习环境,用于模拟真实农作物管理任务。通过使用基本的强化学习算法,实现了性能基线表现,并初步实验结果表明,强化学习有助于改善肥料和灌溉实践的可持续性。
- SoundSpaces 2.0: 一个视听学习仿真平台
SoundSpaces 2.0 是一个用于 3D 环境的实时几何声音渲染平台,用于生成高度逼真的声学效果以支持多种音频和视觉研究任务,并可用于普及性研究。
- 使用 Isabelle/HOL 实现的 VHDL 可执行形式模型
该研究通过定义 Isabelle/HOL 中的 VHDL 语言的形式模型,并构建 VHDL 仿真器,实现了对 VHDL 语言进行形式推理的目的。
- 使用线性函数逼近实现高效的本地规划
研究使用线性函数逼近和模拟器的查询和计算高效的计划算法,在这种情况下,我们提出了名为 “Confident MC-LSPI” 和 “Confident MC-Politex” 的两种算法,同时证明了我们的算法在特征,有效规划控制范围和目标次 - TACTO: 基于高分辨率视觉触觉传感器的快速、灵活和开源模拟器
本文提出一种名为 TACTO 的模拟器,可模拟不同类型的视觉型触觉传感器,并在控制、感知和 Sim2Real 等任务中展示了其有效性,该模拟器在机器人应用中普及触觉传感技术和多模态学习方面具有重要意义。
- CVPR揭示运输动力学背后的隐含物理学
本文提出了一种基于自动编码器的学习框架,通过建立平滑物理模型和一种基于模拟的先验模型实现磁共振灌注成像数据的分割,并应用于中风患者。
- SMARTS: 自主驾驶的可扩展多智能体强化学习训练平台
本文介绍了一种名为 SMARTS 的智能驾驶多智能体模拟平台,可以生成多样且熟练的驾驶交互,并在多智能体交互方面进行了深入、广泛的研究,以解决自主驾驶中如何与多种路用户进行有效交互的问题。
- CVPR模拟未知目标模型进行查询效率高的黑盒攻击
研究了在黑盒情况下深度神经网络的安全问题,并提出一种称为 “模拟器” 的广义替代模型来模拟任何未知目标模型的功能,从而降低了大量查询的复杂度。
- LGSVL 模拟器:用于自动驾驶的高保真度模拟器
本文介绍了用于自动驾驶的高保真度模拟器 LGSVL Simulator,可与 Autoware 和 Apollo 等开源自动驾驶栈完美搭配使用,并提供自定义传感器、可控对象和环境数码孪生等功能。
- SUMMIT: 大规模混合交通中的城市驾驶模拟器
本文介绍了 SUMMIT 模拟器,它使用开源 OpenStreetMap 地图数据库和我们早期工作中开发的多智能体运动预测模型,在密集的、无规则的城市交通中模拟异构智能体的行为,支持感知、车辆控制和规划以及端到端学习等广泛应用,在具有挑战性 - 自动驾驶的单目平面视图网络
通过将单目摄像头录制的车载视频进行简单变换,将观察对象投影到从鸟瞰角度看的平面视图上,从而能够在深度神经网络的支持下,通过检测车辆和行人的位置及方向来实现自动控制,其中 3D 物体检测等技术的应用能够显著减少碰撞事故。
- 虚拟淘宝:将现实在线零售环境虚拟化用于强化学习
采用强化学习应用于物理任务非常具有挑战性,本文通过建立 “Virtual Taobao” 模拟器,在虚拟环境下使用 GAN-SD 和 MAIL 进行训练,证明其性能优越,表明其在复杂物理环境中具有应用潜力。
- CARLA:一个开源城市驾驶模拟器
CARLA 是一款用于自主驾驶研究的开源模拟器,支持模块化流程、模仿学习和强化学习,可用于研究不同驾驶方式在不同场景下的表现,提供数字建模和传感器套件等资源。
- 相互对齐迁移学习
通过强化学习在模拟环境中训练机器人并结合补充奖励策略,与真实机器人进行进一步的微调来优化探索策略,实验结果表明,这种相互对齐的方法可以在真实和模拟环境中实现更好的性能。
- AirSim:用于自主驾驶车辆的高保真视觉和物理模拟
本研究基于虚幻引擎开发了一个模拟器,支持模拟物理、可视化,可为自主驾驶汽车的机器学习算法提供大量标注过的训练数据,并支持硬件仿真,本模拟器架构具有可扩展性和模块化设计。同时,研究者还使用四轴飞行器作为自主车辆进行了实验比较软件组件和实际飞行 - 模拟器:理解中等置信度下的自适应采样
提出了一种名为模拟器的新技术,用于分析自适应取样,该方法通过考虑已收集的有限数据量不足以区分好的采样策略和不好的采样策略的难度,从而超越了现有方法,使我们能够匹配 Fano 和 change-of-measure 技术的优点,并应用于固定置