- 野外 AMP:学习强健、敏捷、自然的腿部运动技能
本文提出了一种新的算法,可以推断关于动态系统参数的信息,同时从先前的观察中估计有关机器人状态的重要信息,并将其与 Adversarial Motion Priors 结合,实现了机器人在真实世界中稳定、灵活和自然的步态,从实验结果中发现相对 - 基于激光雷达的动态物体 3D 跟踪和状态估计
该研究的重点在于利用动态场景定位的方法估计非自主车辆的状态,以支持运动规划和决策制定。
- LunarNav:基于陨石坑的定位技术,用于远程自主 Lunar Rover 导航
本文总结了 LunarNav 项目的最新发展,该项目开发了算法和软件,能够使月球探测车在月球上具备全球定位和导航能力,以实现对约 2000 公里范围内的区域进行探测和勘探工作,并通过检测周围的陨石坑来匹配数据库中已知的陨石坑,最终目标是实现 - BADDr: 基于贝叶斯适应性的深度 Dropout RL 用于 POMDPs
本文提出了一种表示无关的、针对部分可观测情况下的贝叶斯强化学习的理论框架,并提出了一种基于 dropout 网络的新方法 BADDr,旨在解决 BRL 方法在拓展性上存在的瓶颈,并证实其在处理规模较大的情况时的有效性。
- 使用 3D 时空卷积网络进行自监督点云预测
本文提出了一种使用 3D LiDAR 扫描来预测未来点云的方法,该方法可用于实现自主移动系统的预测状态估计、避碰和规划,通过使用 2D 范围图像表示扫描数据并连接一系列范围图像来实现端到端的预测,最终通过 3D 卷积来预测未来的 3D 点云 - ICCV显著性相关的目标追踪
该论文提出了一种基于部分追踪策略的物体追踪方法,其中使用细粒度显著性挖掘模块来捕获有区分度的局部信息,结合显著性关联建模模块来得到识别目标状态的有效表达,并在 5 个数据集的广泛实验中取得了优于现有方法的表现。
- 从单个演示到机器人操作的粗到细模仿学习
本文介绍了一种用于视觉模仿学习的简单方法,可以从一个人类演示中学习机器人操作任务,而无需先前了解与对象的交互情况,并且可以通过自监督学习进行训练。在实现过程中,该方法将模仿学习建模为状态估计问题,以目标交互开始时末端执行器的姿态作为状态,在 - 如何训练可微分滤波器
本文研究不同类型的过滤算法,特别是可微分的过滤算法对于机器人应用中基于状态估计的决策制定和任务执行的优势,并比较了这些不同方法的表现。
- AirSim 无人机竞速实验室
介绍了 AirSim Drone Racing Lab 仿真框架,可用于自主飞行器比赛算法的快速原型设计,以在多个真实场景中测试计划、控制、视觉等算法和通过竞赛形式比较算法效果。
- 利用自编码器方法检测虚假数据注入攻击
本文提出了一种基于自动编码器神经网络的检测方法,通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性,实现了对假数据注入攻击的检测,并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。
- 深度学习中的多元不确定性
本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用,为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习,需要准确地量化多变量不确定性,提出并实验了通过神经网络建模多元不确定性的方法,并证明精确的多变量不确定性量化 - 主动姿态估计的领域随机化
本文研究如何通过活动感知训练改进基于域随机化的姿态估计方法,通过移动机器人获取更精准的目标位姿信息,并展示在机器人手持物品移动、环境中参考物体移动或者摄像头在物品周围移动的多种场景下能够显著提高标准姿态估计的准确度。
- 多传感器全局位姿估计的通用基于优化的框架
本文提出了一种传感器融合框架,通过姿态图优化来将现有的本地估计融合到全球传感器中,实现了本地准确和全球无漂移的姿态估计。
- 具有多传感器的局部里程计估计的通用基于优化的框架
本文提出了一种基于优化的通用框架,支持多个传感器集合,可以轻松融合各种传感器进行姿态图优化,在公共数据集和多个传感器的实际应用中验证了该系统的性能,并与其他最先进的算法进行了比较。
- 基于深度神经网络的电力系统实时状态估计与预测
该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法,该方法在 IEEE 118 总线基准系统上的实验表明,相较于现有的 PSSE 求解器,该方法的性能提高了接近一个数量级。
- 基于 3D 激光雷达的连续时间 SLAM 在在线制图中的高效应用
本研究提出了一种基于分层优化的 3D SLAM 方法,通过子图的建模和图优化,解决了 3D 激光扫描仪的漂移和测量不准确性问题,并使用熵衡量地图质量。
- 智能配电系统中状态估计技术及挑战概述
该论文综述了电力系统中状态估计的相关文献,主要关注于配电系统状态估计,涵盖了数学问题、伪测量应用、计量仪器放置、网络拓扑问题、可再生能源渗透等关键议题,并回顾了传统与现代数据驱动和概率技术。该论文为研究人员和实用工程师提供了配电系统状态估计 - 可微粒子滤波器:通过算法先验进行端到端学习
本研究介绍了可微分粒子滤波器(DPFs),用于在概率分布之上进行的递归状态估计的算法。我们证明了不同的学习模型如动态和测量模型,能在 end-to-end 的不同 iable 框架下完成。当前的实验表明,与 LSTM 相比,DPFs 能够更 - 自主车辆系统安全的鲁棒深度强化学习
本文提出了一种对抗性强化学习算法以最大化自主车辆动态控制对网络物理攻击的鲁棒性,通过分析状态估计过程并在博弈理论框架中研究了攻击者和自主车辆之间的互动以及提出了长短期记忆的使用,同时研究了数据处理的过程以提高面对网络物理攻击的鲁棒性。
- 量子状态认证
研究了量子态鉴定问题,提出了使用较少的量子状态估计方法,其中包括使用 n=O (d/ε) 个副本进行基于保真度的鉴定和使用 n=O (d/ε^2) 个副本进行基于迹距离的鉴定,并且这些复制复杂度是最优的。