一点人工一点智能的博客

本文提出了一种折中方案：利用MuJoCo物理引擎的高效仿真能力，结合迭代线性二次调节器（iLQR）算法，构建一种简单但高效的全身模型预测控制框架。该方法的核心优势在于标准化工具链（MuJoCo + iLQR）的采用，显著降低了模型预测控制的实现门槛。

ChatVLA框架，其核心创新在于分阶段对齐训练和混合专家架构（MoE）。前者通过先掌握控制任务再逐步引入多模态数据的策略保留对齐能力，后者通过共享注意力层与独立MLP层的设计减少任务干扰。

通过个性化的训练和优化，AnyDexGrasp 能够根据不同机械手的特点调整其策略，从而在多变的任务环境中保持高效的抓取能力。接着，针对每一种机械手，通过现实世界的试错训练出独特的抓取决策模型，将这些表示转化为最终的抓取姿势。每一个抓取决策子模型都是通过神经网络学习得到的，它接收一个接触中心抓取表示作为输入，并输出一个介于0到1之间的分数，指示相应的抓取候选是否可能成功。例如，在实验中，研究人员发现即便是在仅有几百次抓取尝试的情况下，模型也能显著改善抓取效果，显示出其卓越的学习效率和适应性。

本文提出了一种基于可微分仿真器的自动驾驶车辆控制方法，首次将可微分仿真应用于世界模型（World Model）的训练。通过引入解析世界模型（Analytic World Models, AWMs），作者设计了三种新任务——相对里程计预测、最优状态规划和逆最优状态估计，旨在解决传统基于策略的模型（如APG）在规划能力与可解释性上的不足。

该论文的主要创新点在于提出了VR-Robo系统，实现了机器人在仿真环境与真实世界之间的快速转换。本文介绍了一种名为VR-Robo的框架，该框架能够为视觉导航和机器人运动学习提供真实感强、物理交互性强的数字孪生仿真环境。该方法利用多视图图像进行基于3DGS的场景重建，并将这些环境整合到支持自我中心视觉感知和网格基物理交互的模拟器中。

MapFusion：一种新的多模态BEV特征融合方法该论文的主要贡献在于提出了一个新的多模态BEV特征融合方法MapFusion，该方法通过引入CIT和DDF两个核心模块来实现跨模态交互和模态集成。本文介绍了一种名为MapFusion的新方法，用于多模态地图构建任务中的特征融合。该方法采用鸟瞰视角（Bird's-Eye View，BEV）特征作为输入，并通过引入交叉模态交互和双动态融合模块来解决不同传感器之间的语义不匹配问题。

这篇论文介绍了一种新的方法，名为DrivingGPT，旨在将驾驶世界建模（driving world models）和规划统一为一个序列建模问题。传统的驾驶世界模型主要依赖于视频扩散模型，缺乏灵活性以整合其他模态数据，如动作。相比之下，自回归变换器已经在处理多模态数据方面表现出色。

本文提出的NaVILA模型是一种结合了视觉语言理解和低级运动控制的系统，用于实现在现实世界中的导航任务。该模型采用了高效的预训练视觉语言模型（VLM）来处理视频输入，并将其与低级运动控制器相结合，以实现精确的关节运动控制。这种模型设计的优势在于其能够适应不同的环境并具有较强的泛化能力。

本文系统回顾了四足机器人在结构设计、步态规划、传统控制方法、智能控制策略以及自主导航等核心技术领域的最新成就，特别关注各领域内的智能化发展趋势和技术革新动向。通过深入分析，本文不仅为四足机器人的未来发展提供了坚实的理论依据和前沿的技术导向，还为相关领域的研究人员提供了重要的参考价值。

NV-LIO利用从激光雷达扫描中提取的法向量进行云配准、退化检测和闭环检测，以确保在狭窄的室内环境中具有鲁棒的SLAM性能。所提出的方法通过公开数据集和我们的数据集进行了评估，涵盖了各种类型的建筑。

为了在不平坦的地面条件下获得更一致的SGF，我们采用了利用机器人运动的MC-IPM方法。SGF因子被应用于一个传递机器人，在校园环境中表现良好，并解决了反向循环的问题。它还验证了在白天和黑夜中光照和外观变化的情况下的强大性能。

本文提出了一种新颖的规划方法，使用归一化流（NF）来编码专家风格的运动基元，同时提出了一种加速的碰撞检测框架，可以在运行模型之前从先验分布中拒绝样本，从而快速采样无碰撞轨迹。实验结果表明，该方法在随机障碍环境中与模型预测路径积分控制相当，并在死胡同环境中提高了退出率。

该方法在现有的ESVO框架基础上，增加了三个模块：1)一种高效的事件像素采样策略；· 在相机位姿跟踪子问题中，利用IMU预积分结果作为运动先验，以提高位姿估计的准确性。· 在公开数据集上进行实验验证，结果表明该方法相比原始ESVO框架，在映射和位姿跟踪的准确性上有明显提升，同时计算效率也更高，更适合现代高分辨率事件相机。· 提出了一种自适应累积极(AA)方法，用于高效地确定与瞬时边缘相关联的像素位置。· 通过结合时间序列立体匹配和静态立体匹配的结果，改进了映射子问题。

在本文中，我们设计了一个名为AHPPEBot的先进机器人，专门用于自动采摘番茄。为了确保机器人采摘的自主性和精确性，我们整合了两个关键技术：基于对象检测的快速表型学方法和用于番茄托架的姿态估计技术。这些整合提高了机器人识别番茄托架、决策和规划采摘路径的能力。

在无人机(UAV)目标检测任务中，存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题，提出改进YOLOv8s的无人机图像目标检测算法。首先，针对无人机拍摄目标普遍为小目标的应用场景，减少算法骨干网络(Backbone)层数，增大待检测特征图尺寸，使得网络模型更专注于微小目标；其次，针对数据集普遍存在一定数量低质量示例影响训练效果的问题，引入Wise-IoU损失函数，增强数据集训练效果；

本文对无人车辆的速度规划部分进行了一些改进。首先，将车辆速度与车辆与障碍物之间的角度耦合，并将这种耦合关系整合到奖励函数中。其次，使用DDQN算法替换无人车的局部路径规划模块；最后，在Gazebo仿真环境中完成了不同环境下的车辆速度规划测试。

本文提出了MAD-ICP，这是一种基于激光雷达里程计（LO）的新型方法。MAD-ICP利用了一种高效且通用的kd-tree数据结构，并结合估计的姿态不确定性动态维护一个稳健的环境模型。

在自动驾驶车辆导航、特别是在具有挑战性的环境中，将全球定位系统（GPS）和惯性测量单元（IMU）集成已成为实现可靠和精确位置跟踪的基石。虽然GPS提供了室外广泛的覆盖范围和高精度定位，但在室内或城市峡谷等信号受阻的地方，其性能会下降。相反，IMU独立于外部信号提供宝贵的运动数据，在无GPS信号的区域中不可或缺。然而，IMU的实用性受到随时间漂移的影响，这会导致从加速度数据推导出的速度和位置估计累积误差。为了减轻每种传感器类型的限制，GPS和IMU数据的融合成为一种关键策略。

本章首先介绍了主流的基于深度学习的对象姿态估计数据集，包括实例级、类别级和未见对象姿态估计方法。然后，综述了相关的评估指标。最后，详细介绍了基于对应、模板、投票和回归的方法。

本书全面分析了网络控制系统的稳定性、稳定化和故障检测，重点关注无人海洋船舶领域。它研究了网络控制在航向控制、故障检测滤波器和控制器设计、动态定位以及合作目标跟踪等领域的挑战。

SLAIM：一个实时的RGB-D NeRF-SLAM系统与现有的NeRF-SLAM系统相比，我们的方法在跟踪性能上始终表现出更强的竞争力。我们的方法采用体积密度表示，并引入了一种新的KL正则化器在射线终止分布上，将场景几何限制为空隙空间和不透明表面。

本书提供了实现室内定位的各种方法的大量技术概述。这些方法包括基于传感器、相机、卫星和其他基于无线电的方式的方法。本书还讨论了某些实现的简化，描述了读者如何设计符合规范并遵循既定技术的解决方案。还介绍了用于定位的主要技术，包括角度测量、距离测量、多普勒测量和惯性测量。

这本书全面介绍了机器人车辆的技术。它介绍了道路上自动驾驶汽车所需的概念。此外，读者可以在六足机器人的构造、编程和控制方面获得宝贵的知识。这本书还介绍了几种不同类型旋翼无人机的控制器和空气动力学。它包括各种旋翼推进飞行器在不同空气动力学环境下的模拟和飞行。

这本教科书全面介绍了四元数代数和阶的算术理论，这一主题在数学的不同领域都有应用。这本书为研究生读者撰写，易于阅读和理解，收集并综合了文献中的结果。许多途径提供了许多不同方向的探索，而统一的处理使这本书成为学生和研究人员的重要参考。

您将开始理解自主机器人发展背后的基本理论概念，包括发展、数学、电子、机械方面、3D建模、3D打印、Linux和编程。在随后的章节中，您将学习如何描述运动学、模拟和可视化机器人，如何将Arduino与ROS接口，远程操作机器人，进行地图构建、自主导航、添加附加传感器、传感器融合、激光扫描匹配、Web界面等等。

随着智能化的日益普及，许多企业的仓库检查工作都是通过机器人完成。但是，由于仓库检查存在多个目标点，智能机器人检查路径规划的低效率则成了亟需解决的问题。为了解决这个问题，本文提出了一种基于混合粒子群算法（HPSO）的HPSO-ACO算法，对蚁群算法（ACO）的参数进行了优化，并建立了仓库管理中巡检机器人的路径优化模型。

本书专为希望增加移动建图系统知识的工程师和研究人员编写。因此，导出的信息流被划分为与某些移动地图数据和相关观测方程相对应的子问题。尽管所提出的方法并没有覆盖文献中所有SLAM的方方面面，但它是基于实用和现实应用背景下的经验总结。因此，它可以为熟悉SLAM并希望对该主题有更广泛了解的人提供有利地支持。

本文还研究了如何处理场景条件下的驾驶行为，这超出了反应控制的能力。除了端到端结构外，学习方法也发挥着关键作用。端到端学习可以产生合理的驾驶行为，即使在复杂的城市驾驶场景中也是如此。端到端驾驶模型中的表示学习至关重要，语义分割等辅助视觉任务可以帮助形成更具信息性的驾驶表示，尤其是在训练数据有限的情况下。简单的卷积神经网络通常只能进行反应控制，不能在特定场景中进行复杂的推理。然而，即使机器人面临着与传统计算机视觉类似的问题，但这样的成功也还没有像视觉那样彻底改变机器人，即系统的手动Pipeline设计不完善。

从自动驾驶汽车（SDCs）的基础知识开始，本书将带您了解建立和运行自动驾驶汽车所需的深度神经网络技术。一旦你掌握了基本知识，你将深入研究先进的计算机视觉技术，并学习如何使用深度学习方法来执行各种计算机视觉任务，如检测车道线、优化图像分类等。如果你是一名深度学习工程师、人工智能研究员，或者任何希望实施深度学习和计算机视觉技术来构建自动驾驶蓝图解决方案的人，这本书就是为你准备的。由于近些年的一些突破，自动驾驶技术现在是人工智能领域的一个新兴课题，并已将数据科学家的重点转移到制造将改变汽车行业的自动驾驶汽车上。

本书详细描述了PID控制系统的自动调整，包括继电反馈控制系统、频率响应估计、蒙特卡洛模拟研究、使用频域信息进行PID控制器设计以及用于自动调整的MATLAB/Simulink模拟和实施程序。书中还包括15个MATLAB/Simulink教程，以逐步演示PID控制系统的设计、仿真、实施和自动调整。

此文档整理推荐了16本移动机器人（自动驾驶）相关的书籍，内容包括：ROS、机器人基础开发、分布式机器人控制、集群机器人控制、嵌入式机器人、多传感器融合等等。

带有雾霾的图像具有低对比度和模糊的特性，这会严重影响下游图像处理模型的表现，例如行人检测、图像分割等。对此，大量的单幅图像去雾方法被开发出来，它们的目的在于把输入的带有雾霾的图像转换成一张清晰图像。然而，伴随着移动设备和边缘设备对分辨率为4k图像处理方法的需求的不断增长，现存的图像去雾的方法很少能高效地处理一张带雾的超高清图像[1]。

A*搜索算法是一种用于路径搜索和图遍历的效果很好、主流的技术之一。

本综述涵盖了深度学习技术应用到SLAM领域的最新研究成果，重点介绍和总结了深度学习在前端跟踪、后端优化、语义建图和不确定性估计中的研究成果,展望了深度学习下视觉SLAM的发展趋势，为后继者了解与应用深度学习技术、研究移动机器人自主定位和建图问题的可行性方案提供助力。

近年来，无人地面车辆(UGV)的快速发展对车载感知系统提出了更高的要求。对驾驶环境和条件的实时理解对于准确的运动规划和控制至关重要[1,2,3]。对车辆而言，道路是与物理世界唯一接触的介质。路面条件决定了许多车辆特性和驾驶性能[4]。路面不平坦，如凸起和坑洞（如图1（a）所示），会严重影响乘用车的乘坐体验。实时的路面条件感知，特别是几何高度感知，极大地有助于提高乘坐舒适度[5,6]。图1 我们的动机。(a)我们BEV中的重建方法在单目和立体配置下优于图像视角的方法。

五种语言实现使用Dijkstra算法从起点到所有节点找到最短路径给定一个带权重的图和图中的一个起点，找到该点到图中所有其他节点的最短路径。给定的图中不包含任何负边。

我们介绍了Multi-Robot Connected Fermat Spiral（MCFS），这是一个新颖的算法框架，用于多机器人覆盖路径规划（MCPP），首次将来自计算机图形界的连通费马螺旋线（Connected Fermat Spiral，CFS）适应到多机器人协调中。

本研究致力于提高消毒机器人的路径规划效率，通过改进RRT*算法，提出了APF-GFARRT*算法，该算法集成了APF、模糊控制和受限采样域的概念。该算法的优势主要体现在以下几个方面。

HPSO-ACO算法可以依靠HPSO的混合机制，使ACO算法更容易跳出局部最优，加快了算法的整体求解速度，提高了算法的优化能力。借鉴遗传算法中混合（hybridization）的概念，在每次迭代中，根据混合的概率，将指定数量的粒子放入混合池中，并将池中的粒子相互交叉混合，生成相同数量的子粒子，这些子粒子取代了父粒子，如图2所示。实验结果表明，在相同条件下，与HPSO算法和ACO算法相比，所提出的方法具有更快的收敛速度、更少的迭代次数和更短的最优路径，为巡检机器人的路径优化提供了理论参考。

本文针对任务分配过程对线性规划方法、基于市场的方法、启发式算法及深度强化学习算法进行了分析，同时针对运动规划对基于搜索的规划方法、基于势场的规划方法、基于采样的规划方法及人工智能规划方法进行了描述。在此基础上对算法产生的计算时间问题、可行解问题、维度问题及通信的鲁棒性问题进行了总结。