论文整理 58篇
序号 | 论文名称 | 会议/期刊 | 时间 | 方向Direction | 内容 |
---|---|---|---|---|---|
时间段:2022秋季学期 | |||||
1 | Hierarchical Object-to-Zone Graph for Object Navigation | ICCV | 2021 | 对象目标导航 | 提出分层对象区域(HOZ)图 |
2 | THDA: Treasure Hunt Data Augmentation for Semantic Navigation | ICCV | 2021 | 对象目标导航 | 研究与任务无关的神经模型是否可以学习导航到指定为对象名称的目标 |
3 | Matterport3D: Learning from RGB-D Data in Indoor Environments | preprint | 2017 | 数据集 | 介绍了Matterport3D数据集 |
4 | STExplorer: A Hierarchical Autonomous Exploration Strategy with Spatio-Temporal Awareness for Aerial Robots | 未发表 | 2022 | 自主探索 | 提出了一种具有时空感知的分层自主探索策略——STExplorer |
5 | Stubborn: A Strong Baseline for Indoor Object Navigation | preprint | 2022 | 对象目标导航 | 提出探索策略STUBBORN,提出整合时空信息的策略 |
6 | Spatial Commonsense Graph for Object Localisation in Partial Scenes | CVPR | 2022 | 对象目标导航 | 提出新的异构场景图,SCG空间常识图 |
7 | Continuous Scene Representations for Embodied AI | CVPR | 2022 | 场景表示 | 提出连续场景表示CSR,将对象及其关系建模为连续值特征向量,动态更新CSR |
8 | AI2-THOR: An Interactive 3D Environment for Visual AI | preprint | 2017 | 数据集 | 介绍了AI2-THOR数据集 |
9 | SSCNav: Confidence-Aware Semantic Scene Completion for Visual Semantic Navigation | ICRA | 2021 | 视觉语义导航 | 通过置信度感知的语义场景补全模块补全地图,再进行路径规划 |
10 | Spatial-Temporal Transformer for Dynamic Scene Graph Generation | ICCV | 2021 | 场景表示 | 引入时空Transformer神经网络和生成场景图策略 semi-constraint |
11 | Learning object relation graph and tentative policy for visual navigation | ECCV | 2020 | 场景表示 | 构建对象关系图ORG,使用模仿学习和记忆增强试探性策略网络 |
12 | A Comprehensive Survey of Scene Graphs Generation and Application | PAMI | 2021 | 场景表示 | 场景表示综述 |
13 | Beyond Short-Term Snippet: Video Relation Detection With Spatio-Temporal Global Context | CVPR | 2020 | 场景表示 | 提出新的滑动窗口策略预测短、长片段的关系;构建时空图进行兼容性评估 |
14 | Action Genome: Actions as Composition of Spatio-temporal Scene Graphs | CVPR | 2022 | 场景表示 | 提供了Action Genome数据集,改进了动作识别 |
15 | Curious representation learning for embodied intelligence | ICCV | 2021 | 场景表示 | 引入CRL作为一种具体化表示学习的方法 |
16 | Embodied semantic scene graph generation | CoRL | 2022 | 场景表示 | 利用具身智能体,自动生成路径来探索环境以便增量生成场景图,使用模仿学习和强化学习的混合框架辅助生成高质量的场景图 |
17 | Environment Predictive Coding for Visual Navigation | ICLR | 2021 | 视觉语言导航 | 提出一种可以帮助具身智能体学习环境级表示的自监督方法:环境预测编码 |
18 | Towards Embodied Scene Description | RSS | 2020 | 场景表示 | 通过智能体的具身能力寻找最优视点,建立了一个具有模仿学习和强化学习范式的学习框架 |
19 | GraphMapper:Efficient Visual Navigation by Scene Graph Generation | preprint | 2022 | 场景表示 | 训练一个智能体模型,模仿人类的方式推理空间中识别物体的三维拓扑,以实现有效的导航(降低标注成本,提高学习能力) |
20 | Hierarchical planning for long-horizon manipulation with geometric and symbolic scene graphs. | ICRA | 2021 | 场景表示 | 引入了一种基于可视化的层次规划算法,核心是一个二级的场景图表示:几何场景图和符号场景图。 |
21 | SGTR: End-to-end Scene Graph Generation with Transformer | CVPR | 2022 | 场景表示 | 通过二部图的方式,端到端的生成场景图,用于场景表示。分别生成实体结点和谓词结点,生成实体结点可以辅助场景识别 |
22 | Self-supervised 3D Semantic Representation Learning for Vision-and-Language Navigation | preprint | 2022 | 场景表示 | 开发了一个新的自我监督训练框架,将体素级的三维语义重构编码为一个三维语义表示。 |
23 | From General to Specifific: Informative Scene Graph Generation via Balance Adjustment | ICCV | 2021 | 场景表示 | 提出了BA-SGG,对语义进行调整,平衡谓词学习 |
24 | Learning to Generate Scene Graph from Natural Language Supervision | ICCV | 2021 | 场景表示 | 从图像-句子对中提取局部对象及其在图像中关系,从而构造对应的场景图 |
25 | 3D Dynamic Scene Graphs: Actionable Spatial Perception with Places, Objects, and Humans | preprint | 2020 | 场景表示 | 提出了第一个全自动的空间感知环境(SPIN),从可视化的惯性数据中构建一个DSG。(分五层构建场景图) |
26 | Leveraging Large Language Models for Robot 3D Scene Understanding | preprint | 2022 | 场景识别 | 提出使用大型语言模型来学习场景理解的常识,介绍了三种范例,利用语言,根据室内环境中房间所包含的对象,对房间进行分类 |
27 | Indoor Scene Recognition by Fusing Map-Level and Frame-Level Decisions with CRF | CCISP | 2021 | 场景识别 | 利用机器人创建的三维语义地图,突破单个图像对场景识别的限制,提高场景识别的准确性。 提出了基于条件随机场的场景识别模型,集成了地图级和帧级的场景识别结果 |
28 | Learning 3d semantic scene graphs from 3d indoor reconstructions. | CVPR | 2020 | 场景表示 | 提出了一种基于点网络和图卷积网络(GCNs)的预测三维语义图的学习方法,并将三维语义场景图用于跨域检索 |
29 | Exploiting Scene-specific Features for Object Goal Navigation | ECCV | 2020 | 对象目标导航 | 提出SMTSC模型,利用对象和特定房间的相关性,提高导航的性能 |
30 | TIDEE: Tidying Up Novel Rooms using Visuo-Semantic Commonsense Priors | ECCV | 2020 | 场景重排布 | 将常识性先验知识编码为三个模块,检测不合理物体,计算合理位置,进行重排布 |
31 | SceneGraphFusion: Incremental 3D Scene Graph Prediction from RGB-D Sequences | CVPR | 2021 | 场景表示 | 提出了实时3D场景图预测,将当前观察到的子映射的预测逐步融合到一个全局一致的语义图模型中;引入了一种新的注意方法,可以处理部分和不完整的三维数据 |
32 | Housekeep: Tidying Virtual Households using Commonsense Reasoning | preprint | 2022 | 场景重排布 | 提出了一种模块化的基线方法,集成了规划、探索和导航 |
33 | TARE: A Hierarchical Framework for Effificiently Exploring Complex 3D Environments | RSS | 2021 | 自主探索 | 提出一种在复杂三维环境下的分层自主探索方法:一层密集维护数据,在局部范围内计算详细路径;一层稀疏维护数据,在全局范围内计算粗糙路径 |
2023寒假 | |||||
34 | Falco: Fast likelihood‐based collision avoidance with extension to human‐guided navigation | JoFR | 2020 | 自主探索 | 提出了一种大大降低计算复杂度的方法,从而可以通过在飞行器上使用非常低的计算量来确保安全飞行。寻找最大化实现目标的概率的路径(运动原语) |
35 | Autonomous Exploration Development Environment and the Planning Algorithms | ICRA | 2022 | 自主探索 | 对TARE、FAR、Falco的总结,提供了自主探索的开发环境、存储库。 |
36 | FAR Planner: Fast, Attemptable Route Planner using Dynamic Visibility Update | IROS | 2022 | 自主探索 | 提出一种多边形提取和增量可见性图构建的两层算法框架; 该框架能够动态地调整可见性图,以便在未知的环境下进行可尝试的导航并处理动态障碍; |
37 | FUEL Fast UAV Exploration using Incremental Front | RAL | 2021 | 自主探索 | 提出一个逐步更新的边界信息结构,捕获整个空间的基本信息,并进行高频率的勘探规划;提出一种分层规划方法,生成有效的全球覆盖路径,进行安全快速的局部运动。 |
38 | DSVP: Dual-Stage Viewpoint Planner for Rapid Exploration by Dynamic Expansion | IROS | 2021 | 自主探索 | 提出一种两阶段的自主探索方法,将自主探索过程划分为探索阶段和重定位阶段;对RRT框架提出了动态扩展和混合边界的改进。 |
39 | Visual Room Rearrange | ICCV | 2021 | 场景重排布 | 最早的重排布概念论文,提出数据集RoomR和场景重排布的基线模型 |
2023暑假 | |||||
40 | FAEL: Fast Autonomous Exploration for Large-scale Environments With a Mobile Robot | RAL | 2023 | 自主探索 | 对TARE的改进,提出一种对环境信息的快速预处理和一种综合考虑快速探索的关键因素的路径优化公式。 |
41 | Emerging Properties in Self-Supervised Vision Transformers | ICCV | 2021 | 自监督ViT | 提出了一个假设,即使用自监督学习来预训练ViT可能会带来比有监督学习更好的效果和特性。根据带来的新特性,整合了自监督方法DINO。 |
42 | CoWs on PASTURE: Baselines and Benchmarks | ICCV | 2023 | 对象目标导航 | 介绍了语言驱动的零样本目标导航(L-ZSON)这一任务,即让机器人根据自然语言描述找到任意物体,而不需要在目标物体或领域上进行大量的导航训练。分为定位和探索两部分,介绍了三种定位策略。 |
2023秋季学期 | |||||
43 | UFOExplorer: Fast and scalable sampling-based exploration with a graph-based planning structure | RAL | 2022 | 自主探索 | 提出了一种快速高效的探索方法UFOExplorer。该方法利用了一个基于图的规划结构,根据地图的更新来维护和扩展。不考虑最大信息增益,有信息量即可。 |
44 | Learning to Navigate by Pushing | ICRA | 2022 | 自主探索 | 车臂协同,侧重于方法创新,提出了推动障碍物以达到快速探索环境的思路。由此提出了一种分层的控制器,由高层控制切换低级反射控制器,对应不同的推动动作。 |
45 | A Framework to Co-Optimize Robot Exploration and Task Planning in Unknown Environments | RAL | 2022 | 对象目标导航 | 设计一套完善的框架,将探索与规划两个独立的过程进行统一,提高任务执行效率。 |
46 | VL-Grasp: a 6-Dof Interactive Grasp Policy for Language-Oriented Objects in Cluttered Indoor Scenes | preprint | 2023 | 车臂协同&抓取 | 设计了一个新的视觉接地数据集,提出了一种视觉语言抓取策略VL-Grasp,分两阶段完成抓取任务。 |
47 | Ada-detector: Adaptive frontier detector for rapid exploration | ICRA | 2022 | 自主探索 | 提出了一种基于自适应快速探索随机树(RRT)的机器人自主探索边界检测方法。根据周围环境自适应调整RRT采样空间,并通过非均匀采样避免重叠空间的过采样问题。 |
48 | Adaptive Coverage Path Planning for Effificient Exploration of Unknown Environments | IROS | 2022 | 自主探索 | 通过使用有效的传感器模型进行未来的覆盖观测,快速找到非近视覆盖路径(非贪婪,考虑长期规划),传感器模型根据周围环境调整覆盖范围和覆盖几率,可以称为自适应覆盖路径规划方法。 |
49 | ASEP: An Autonomous Semantic Exploration Planner with Object Labeling | IEEE Access | 2023 | 自主探索(语义) | 提出了一种称为自主语义探索规划器(ASEP)的自主无人机探索规划器,该规划器能够在缺乏GPS的室内环境中实现实时地图绘制、探索、导航、目标检测和标记。加入语义信息,对增益函数做出调整。 |
50 | A Hybrid Planning Method for 3D Autonomous Exploration in Unknown Environments With a UAV | TASE | 2023 | 自主探索 | 将基于边界和采样的方法进行融合,提出FSHP混合规划算法;提出一种边界候选点替代方法来平衡无人机的安全性和探测强度;提出一种快速选择重新规划目标的活跃顶点堆栈存储方案,对轨迹进行优化。 |
51 | ARiADNE: A Reinforcement learning approach using Attention-based Deep Networks for Exploration | preprint | 2023 | 自主探索(学习) | 提出了ARiADNE,一种基于注意力的神经方法,以获得实时的、非短视的路径规划。 |
52 | Explore-Bench: Data Sets, Metrics and Evaluations for Frontier-based and Deep-reinforcement-learning-based Autonomous Exploration | ICRA | 2022 | 自主探索(学习) | 构建自主探索数据集,从探索效率和协作效率两方面指定了评价指标,并构建基于网格的快速探索模拟器用于辅助基于学习的探索方法。 |
53 | Robotic Grasping through Combined Image-Based Grasp Proposal and 3D Reconstruction | ICRA | 2021 | 抓取 | 提出了一种新的机器人抓取规划方法,同时使用学习的抓取建议网络和学习的三维形状重建网络。 |
54 | DRL-VO: Learning to Navigate Through Crowded Dynamic Scenes Using Velocity Obstacles | TR | 2023 | 行人导航 | 提出了一种新颖的基于学习的控制策略,对新环境具有很强的泛化能力,使移动机器人能够在充满静态障碍物和密集行人的空间中自主导航。 |
55 | Object-Aware View Planning for Autonomous 3-D Model Reconstruction of Buildings Using a Mobile Robot | TITM | 2023 | 自主探索 | 根据固态激光雷达的特性和机器人的配置,提出了一种生成和评估视图序列的视图规划方法,用于室外地面机器人对建筑物的三维模型重建。 |
56 | A Hierarchical Approach for Mobile Robot Exploration in Pedestrian Crowd | RAL | 2021 | 行人导航 | 结合局部和全局信息,以确保机器人在探索过程中的安全和效率。在局部路径规划时,中加入基于RL的导航控制器,最大限度地减少机器人和人群之间的相互干扰,这不仅提高了探索效率,而且在建图和定位方面都提高了成功率和准确性。 |
57 | Efficient Exploration in Crowds by Coupling Navigation Controller and Exploration Planner | RAL | 2022 | 行人导航 | 在上一篇的基础上,在局部路径规划的过程中,考虑行人因素,保证航路点与行人密度相关,尽可能减少与行人的交互;并加入了SLAM恢复模块,辅助建图和定位。 |
58 | Sampling-Based Path Planning in Highly Dynamic and Crowded Pedestrian Flow | TITS | 2023 | 行人导航 | 提出了由速度层和最小侵入层组成的行人流图,引入了基于 RRT 的路径规划器,该路径规划器结合了流图模型 (FM-RRT*),并结合了偏置采样,以引导机器人走向侵入最小或行人流速度差异较小的区域。 |
本文作者:southyang
本文链接:
版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!