Active Perception with Neural Networks
University of Pennsylvania（宾夕法尼亚大学）
主动感知已经在许多领域中被采用，特别是在机器人领域中。主动感知的思想是利用输入数据来预测机器人的下一个动作，以帮助机器人提高其性能。主要的挑战在于理解要与动作耦合的输入数据，并且以有效的方式收集环境的有意义的信息是必要的和期望的。随着神经网络的最新发展，在语义层面解释感知数据已经成为可能，基于深度学习的实时解释已经实现了感知-动作循环的有效闭合。这份报告强调了最近的进展，采用主动感知的基础上神经网络的单和多代理系统。
2021-09-06 cs.RO
Information-Collection in Robotic Process Monitoring: An Active Perception Approach
Siemens（西门子）；California Institute of Technology（加州理工学院）
主动感知系统最大限度地提高信息增益，以支持监测和决策已经看到了相当大的应用在最近的工作。在本文中，我们提出并证明了一种方法，通过使用贝叶斯滤波器在主动感觉系统中获取和外推信息。我们的方法是由制造过程，其中系统状态的自动视觉跟踪可以帮助故障诊断，零件和安全认证的动机;在极端情况下，我们的方法可以使新的制造过程依赖于监测解决方案超越被动感知。我们演示了如何使用贝叶斯过滤器在主动感知的情况下，允许推理的基础上测量以及未测量的，但传播的状态元素的未来行动，从而大大提高了信息的质量，可用于决策算法控制的总体过程。我们展示了我们的主动感知系统在物理实验中的使用，其中我们使用时变卡尔曼滤波器来解决增材制造中代表性系统捕获的不确定性。
2020-05-01 cs.RO
DeltaSeek: Toward Active Perception in Evolving Construction Environments
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
针对施工环境动态变化导致静态感知失效的问题，提出DeltaSeek框架，形式化具身允许观察集，并通过实验区分感知限制与获取成本，验证腕部相机在解决底盘无法观察的变化上更高效。
2026-09-29 cs.CV cs.RO
Learning Underwater Active Perception in Simulation
Australian Centre For Robotics（澳大利亚机器人中心）；School of Aerospace, Mechanical and Mechatronic Engineering（航空航天、机械与机电工程学院）；University of Sydney（悉尼大学）
本文提出一种高效方法，通过多层感知机预测图像质量，以在不同水况下获取高质量资产图像，提升了视觉覆盖和图像质量。
2026-03-28 cs.CV cs.RO
PAS-SLAM: A Visual SLAM System for Planar Ambiguous Scenes
School of Electronic Information and Electrical Engineering, Dalian University of Technology（大连理工大学电子信息与电气工程学部）；Department of Automation, Tsinghua University（清华大学自动化系）；School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院）；College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院）
提出PAS-SLAM系统，通过融合语义信息的平面处理、集成多源信息的数据关联及多约束因子图优化，有效解决了平面歧义场景下视觉SLAM定位与建图精度差的问题。
2024-02-09 cs.CV cs.RO
Planning to avoid ambiguous states through Gaussian approximations to non-linear sensors in active inference agents
TU Eindhoven（埃因霍温理工大学）；Bayesian Intelligent Autonomous Systems laboratory（贝叶斯智能自主系统实验室）
本研究提出利用对测量函数曲率敏感的高斯近似（如二阶泰勒近似）在活动推断智能体中产生状态依赖的模糊项，从而引导智能体偏好可准确推断状态，并通过机器人导航实验验证了该偏好。
2024-09-18 cs.AI cs.RO cs.SY
Act, Sense, Act: Learning Active Perception from Large-Scale Egocentric Human Data
School of Artificial Intelligence, Shanghai Jiao Tong University（人工智能学院，上海交通大学）
研究如何让机器人在无约束环境中实现可泛化操作，提出CoMe - VLA框架，利用大规模人类自我中心数据学习主动感知，集成认知辅助头和双轨记忆系统，经三个阶段训练模型，实验证明该方法在多场景长期任务中有强鲁棒性和适应性。
2026-07-13 cs.RO
ActiveScale: Scaling Active Perception for Robots across Model, Data, and Hardware
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对固定视点下机器人操作信息缺失问题，提出ActiveScale框架，通过模型、数据、硬件协同设计，实现VLA模型主动感知，提升任务成功率。
2026-09-22 cs.LG cs.RO
Active Perception using Light Curtains for Autonomous Driving
Carnegie Mellon University（卡内基梅隆大学）
大多数现实世界的3D传感器（如LiDAR）对整个环境进行固定扫描，同时与处理传感器数据的识别系统解耦。在这项工作中，我们提出了一种使用光幕进行3D对象识别的方法，光幕是一种资源高效的可控传感器，可以在环境中用户指定的位置测量深度。至关重要的是，我们建议使用基于深度学习的3D点云检测器的预测不确定性来引导主动感知。给定神经网络的不确定性，我们使用最大化信息增益的原则推导出放置光幕的优化目标。然后，我们开发了一种新的和有效的优化算法，以最大限度地提高这一目标，通过编码到一个约束图的设备的物理约束和优化与动态规划。我们展示了如何训练3D检测器通过顺序放置不确定性引导光幕来检测场景中的对象，以连续提高检测精度。代码和细节可以在项目网页上找到：http://siddancha.github.io/projects/active-perception-light-curtains。
2020-08-05 cs.CV cs.LG cs.RO
Apple: Toward General Active Perception via Reinforcement Learning
Department of Computer Science, TU Darmstadt, Germany（德国图林根大学计算机科学系）；LIRIS, CNRS UMR5205, École Centrale de Lyon, France（法国里里萨大学LIRIS实验室）；LASR Lab & CeTI, TU Dresden, Germany（德国德累斯顿技术大学LASR实验室）；DFKI, Hessian.AI, RIG, and Centre for Cognitive Science, TU Darmstadt, Germany（德国图林根大学DFKI、海德堡人工智能、RIG及认知科学中心）
本文提出Apple框架，通过强化学习解决多种主动感知问题，展示了其在触觉探索任务中的有效性，证明了其在机器人领域中的通用性。
2026-05-11 cs.LG cs.RO
HAP: A Hand-Driven Active Perception Framework for Egocentric Head Motion Prediction
Shanghai Jiao Tong University（上海交通大学）；Zhongguancun Academy（中关村学院）；China University of Mining and Technology（中国矿业大学）
针对自我中心头部运动预测未充分探索的问题，提出手驱动主动感知框架HAP，利用手部运动推断目标意图并建模动态遮挡，在公共数据集和Bottle数据集上取得更低预测误差。
2026-09-17 cs.CV cs.RO
Fast Human Attention Prediction for Fixation-guided Active Perception in Autonomous Navigation
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
提出GazeLNN，一种基于液态神经网络和MobileNetV3的轻量级扫描路径预测模型，在MIT低分辨率数据集上达到最优性能，计算成本降低99.40%，推理速度提升6倍，并集成到强化学习训练的主动相机-机器人控制策略中，实现自主导航中的注视引导感知。
2026-06-19 cs.CV cs.RO
Reinforcement Learning for Active Perception in Autonomous Navigation
Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)（工程 cybernetics 系，挪威科学技术大学）
本文提出一种端到端强化学习框架，使无人机在复杂环境中通过主动控制相机实现安全导航与探索。
2026-02-01 cs.RO
I-Perceive: A Foundation Model for Vision-Language Active Perception
Shanghai Innovation Institute（上海创新研究院）；Beihang University（北京航空航天大学）
I-Perceive是一种基于自然语言指令的主动感知基础模型，通过融合视觉-语言模型与几何基础模型，实现了对开放意图场景的有效感知与推理。
2026-09-17 cs.RO
Vision in Action: Learning Active Perception from Human Demonstrations
Stanford University（斯坦福大学）
本文提出ViA主动感知系统，通过VR遥操作从人类演示学习双臂机器人的搜索、跟踪等感知策略，利用6自由度机械颈和中间3D场景表示，在视觉遮挡任务中显著优于基线。
2025-06-18 cs.RO
Active Perception using Neural Radiance Fields
University of Pennsylvania（宾夕法尼亚大学）
本文提出基于NeRF的主动感知框架，通过最大化过去与未来观测间的互信息，结合生成式场景表示、语义不确定性与采样规划，实现杂乱室内环境的自主探索。
2024-03-30 cs.RO
FLAP: FOV-Constrained Active Perception Planning for Prior-Map-Free 3D Navigation
The State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院工业控制技术国家重点实验室）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；Huzhou Key Laboratory of Autonomous System（湖州市自动驾驶系统重点实验室）；Shanghai Institute of Special Equipment Inspection and Technical Research Co., Ltd（上海市特种设备监督检验技术研究院有限公司）
提出一种将主动感知直接融入轨迹优化的规划框架，通过传感器坐标系下的视场几何约束和速度触发机制，在保证安全的同时提升效率，并支持任意3D机动。
2026-06-17 cs.RO
An Active Perception Game for Robust Exploration
General Robotics, Automation, Sensing and Perception (GRASP) Laboratory（通用机器人、自动化、传感与感知实验室）
本文提出一种主动感知游戏方法，通过分析信息增益估计误差与主动感知的数学关系，减少估计误差并提升探索性能。
2026-04-16 cs.RO
Vision-Language Agents for Active Perception in Optics Laboratories
Massachusetts Institute of Technology（麻省理工学院）
本研究以光学实验为平台，验证通用视觉-语言模型能通过视觉反馈闭环控制实验，主动获取信息并适应行为，成为科学决策智能体。
2026-09-29 cs.AI cs.CV cs.RO
Real-World Reinforcement Learning of Active Perception Behaviors
University of Pennsylvania（宾夕法尼亚大学）；University of Liège（列日大学）；UC Berkeley（伯克利大学）
本文提出AAWR方法，通过特权传感器训练高效主动感知策略，提升机器人在部分可观测环境下的任务性能。
2025-12-01 cs.AI cs.LG cs.RO
Commentaries on "Learning Sensorimotor Control with Neuromorphic Sensors: Toward Hyperdimensional Active Perception" [Science Robotics Vol. 4 Issue 30 (2019) 1-10
Research Institutes of Sweden（瑞典研究机构）；University of California, Berkeley（加州大学伯克利分校）；Luleå University of Technology（吕勒奥理工大学）
这封信件评论了Mitrokhin等人最近发表在Science Robotics文章中的发现[1]。本评注的主要目的是进一步阐述该条所涉及的一些问题。我们的经验是，超维计算与其他计算方法非常不同，在获得实际有用的理解之前，它可能需要相当多的接触。因此，为了向第一次阅读[1]的读者提供该领域的概况，评注包括一个简短的历史概述，并将该条款的调查结果与该领域现有的大量文献联系起来。
2020-03-25 cs.AI cs.CV cs.RO
RoboRetriever: Single-Camera Robot Object Retrieval via Active and Interactive Perception with Dynamic Scene Graph
RoboRetriever提出仅用单个腕部RGB-D相机和自然语言指令，通过动态分层场景图及主动、交互式感知与操作协同，在杂乱真实场景中实现鲁棒的目标取回。
2025-08-18 cs.RO
Human-Centric Active Perception for Autonomous Observation
Georgia Institute of Technology（佐治亚理工学院）
随着机器人自主性的提高，机器人越来越多地被认为是自主观察系统的角色-自由飞行的摄像机能够在某些预定义的感兴趣区域内主动跟踪人类活动。在这项工作中，我们制定了自主观察问题，通过多目标优化，提出了一种新的半MDP制定的自主人类观察问题，最大限度地提高观察奖励，同时考虑到人类和机器人为中心的成本。我们证明了这个问题可以解决基于标量化的多目标MDP方法和约束MDP方法，并讨论了每种方法的相对优势。我们验证我们的工作活动跟踪使用美国宇航局Astrobee机器人在模拟国际空间站环境中运行。
2020-05-29 cs.RO
Learning Occlusion-aware Decision-making from Agent Interaction via Active Perception
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）；the University of Hong Kong（香港大学）
本文提出Pad-AI自强化框架，通过向量化表示和语义运动基元实现主动感知探索，并集成预测与强化学习，以解决自动驾驶中动态与静态遮挡场景下的高效遮挡感知决策问题。
2025-04-09 cs.RO
MAAP: Multi-Agent Active Perception for Collaborative Manipulation
Carnegie Mellon University（卡内基梅隆大学）；Shanghai Jiao Tong University（上海交通大学）；University of Science and Technology of China（中国科学技术大学）；The University of Hong Kong（香港大学）；Sun Yat-sen University（中山大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出MAAP与RAIL，使机械臂在执行操作时兼作主动感知视角，通过角色感知模仿学习提升协作操作成功率，在模拟和真实平台实验中显著优于固定视角基线。
2026-09-21 cs.RO
Active Perception of Upper-Limb Functional Mobility through Human-Robot Handovers
Italian Institute of Technology（意大利技术研究院）；INAIL（意大利工伤事故保险研究所）
本研究将上肢功能移动性估计建模为主动感知问题，提出在线主动感知流程，通过人机交接探测用户并更新贝叶斯信念，经仿真和物理验证可准确恢复损伤系数。
2026-10-27 cs.RO
APREBot: Active Perception System for Reflexive Evasion Robot
School of Computing, National University of Singapore（计算学院，新加坡国立大学）；Department of Electrical and Computer Engineering, National University of Singapore（电气与计算机工程系，新加坡国立大学）；School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学）；School of Computer Science and Engineering, Sun Yat-Sen University（计算机科学与工程学院，中山大学）
该研究提出 APREBot 框架，融合 LiDAR 全向扫描与相机主动聚焦及分层主动感知，经 sim-to-real 四足实验验证可显著提升动态避障的安全性与效率。
2025-09-29 cs.RO
Optimizing Active Perception for Learning Simultaneous Viewpoint Selection and Manipulation with Diffusion Policy
Department of Computer Science, Yale University（耶鲁大学计算机科学系）
针对动态视点与操作协调学习的挑战，提出结合 diffusion policy 与 look-at 逆运动学求解器的集成框架，自动优化相机视点并提升操作性能与学习效率。
2025-09-17 cs.RO
Perceptual Factors for Environmental Modeling in Robotic Active Perception
Instituto de Investigación en Ingeniería de Aragón, Universidad de Zaragoza（萨拉戈萨大学阿拉贡工程研究院）；Institute of Geodesy and Geoinformation, University of Bonn（波恩大学大地测量与地理信息研究所）
针对主动感知中视觉测量受环境干扰的问题，提出基于感知因素的感知地图框架，在规划与融合中量化环境对候选视点的影响，经模拟和地面机器人实验验证，提升了状态估计性能。
2023-10-10 cs.RO
Learning to Double Guess: An Active Perception Approach for Estimating the Center of Mass of Arbitrary Objects
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对非结构化环境中任意物体质心估计难题，提出U-GRAPH框架，利用贝叶斯神经网络量化不确定性并引导多次主动交互，在小型数据集上训练即可泛化至复杂真实物体。
2025-02-27 cs.LG cs.RO
Active Perception for Embodied Disambiguation
School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）
该研究针对具身环境中目标歧义问题，提出以主动观测为核心的主动感知框架，结合视觉语言模型实现信息获取与用户意图澄清，经真实机器人实验验证有效。
2026-08-17 cs.AI cs.RO
Heuristic Satisficing Inferential Decision Making in Human and Robot Active Perception
Cornell University（康奈尔大学）；Marshall University（马歇尔大学）；Duke University（杜克大学）
本文针对机器人在压力下的推断决策问题，提出一种基于“寻宝”基准的主动感知方法，通过学习人类在近最优与启发式解间调节的策略，使配备摄像头的机器人在多种不可预见约束下优于现有算法。
2023-09-14 cs.RO
Imagine then Verify: Affordance-Targeted Active Perception for Task-Oriented Grasping in Cluttered Scenes
Beihang University（北京航空航天大学）
针对杂乱场景中任务导向抓取时可用性区域被遮挡的问题，提出ATAP框架，通过生成式形状先验想象完整表面并预测可用性分布，结合不确定性感知的视角规划器迭代验证，显著提升功能抓取成功率并减少57%以上的NBV步骤。
2026-09-22 cs.RO
Active perception network for non-myopic online exploration and visual surface coverage
Worcester Polytechnic Institute（伍斯特理工学院）
本文提出主动感知网络（APN），通过增量更新的层次拓扑图和前沿引导的视点规划，实现未知环境的高效在线探索与视觉覆盖，在探索时间和表面覆盖率上优于现有方法。
2023-09-21 cs.RO
TAPNAV: Humanoid Navigation through Tactile Active Perception
Harvey Mudd College（哈维穆德学院）；Georgia Institute of Technology（佐治亚理工学院）；Walton High School（沃尔顿高中）
本文提出TAPNAV触觉主动感知框架，通过结合不确定性感知全局路径规划与信息增益驱动局部探测，使人形机器人在无视觉环境中实现导航，其状态估计误差更低、任务完成率更高。
2026-10-09 cs.RO
Robust Active-Perception Control for Global-State-Free Aerial-Ground Cooperation
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The Chinese University of Hong Kong（香港中文大学）
针对空地协同中相机视场受限问题，提出COPA框架，利用单轴云台解耦相机与无人机姿态，结合TCN预测和MPC优化，实现无全局状态下的鲁棒目标跟踪。
2026-09-23 cs.RO
TKD: Temporal Knowledge Distillation for Active Perception
Arizona State University（亚利桑那州立大学）
基于深度神经网络的方法已被证明在目标检测和分类任务上具有出色的性能。尽管性能有了显著的提高，但由于深层结构，它们仍然需要高昂的运行时间来处理图像并保持实时应用程序的最高性能。针对人类视觉系统（Human Vision System，HVS）严重依赖视觉输入帧间的时间依赖性来进行有效识别的现象，提出了一种新的识别框架TKD：时间知识蒸馏。该框架将时间知识从基于重神经网络的模型在选定的视频帧（时刻的感知）上提取到轻量模型。为了实现蒸馏，我们提出了两个新的程序：1）基于长短期记忆（LSTM）的关键帧选择方法; 2）一种新的教师限制损失设计。为了验证，我们使用不同的目标检测方法在多个数据集（包括Youtube-Objects和好莱坞场景数据集）上进行了全面的实证评估。我们的研究结果表明，一致的改善准确性-速度权衡目标检测的动态场景的帧，相比其他现代目标识别方法。
2020-01-06 cs.CV
Learning Which Side to Scan: Multi-View Informed Active Perception with Side Scan Sonar for Autonomous Underwater Vehicles
University of Michigan（密歇根大学）；US Naval Research Laboratory（美国海军研究实验室）
针对自主水下航行器侧扫声呐勘测需兼顾效率与分类精度的问题，提出基于图表示和图神经网络的多视图主动感知框架，可自适应选择最优观测视角，在模拟实验中分类准确率和勘测效率均优于现有方法。
2024-04-13 cs.RO
Uncertainty-Informed Active Perception for Open Vocabulary Object Goal Navigation
Center for Robotics, University of Bonn（波恩大学机器人中心）；MAVLab, TU Delft（代尔夫特理工大学MAVLab）；Lamarr Institute for Machine Learning and Artificial Intelligence（机器学习与人工智能拉马尔研究所）
针对目标导航中提示措辞引起的语义不确定性问题，提出不确定性感知的主动感知流程，利用概率传感器模型和不确定性感知多臂老虎机规划器，实现与最先进方法相当的成功率。
2025-07-13 cs.RO
SAP-Nav: Spatial Semantic Representation Meets Active Perception for Hierarchical Open-Vocabulary Object Navigation
该研究提出SAP-Nav框架，结合空间语义表示与主动感知，解决分层开放词汇对象导航问题，在基准测试中性能最优且真实场景可行，无需特定训练或预计算场景地图。
2026-08-14 cs.RO
Robot Planning and Situation Handling with Active Perception
SUNY Binghamton（纽约州立大学布法罗分校）；CMU（卡内基梅隆大学）；Ford Research（福特研究）；Agility Robotics（敏捷机器人）
本文提出VAP-TAMP框架，通过主动感知和情境评估提升机器人在动态环境中执行任务的能力，结合场景图进行任务与运动规划，通过仿真和移动机械臂平台验证有效性。
2026-04-28 cs.RO
Autonomous Precision Milling of Biological Structures via Generic Anatomical Priors and Active Boundary Perception
The University of Tokyo（东京大学）；Tsinghua University（清华大学）
针对生物结构铣削中几何与边界不确定性问题，提出结合通用解剖先验与主动边界感知的自主铣削框架，通过主动探测和状态自适应控制实现精确铣削。
2026-09-14 cs.RO cs.SY eess.SY
Attention-Based Planning with Active Perception
Worcester Polytechnic Institute（伍斯特理工学院）
注意控制是人类选择与当前任务相关的信息的一种关键认知能力。本文提出了一个注意力的计算模型，并给出了马尔可夫决策过程中基于注意力的概率规划算法。在基于注意力的规划中，机器人决定处于不同的注意力模式。注意模式对应于由机器人监测的状态变量的子集。通过在不同的注意力模式之间切换，机器人主动感知与任务相关的信息，以降低信息获取和处理的成本，同时实现接近最佳的任务性能。虽然基于注意力的主动感知的规划不可避免地引入部分观测，但部分观测的MDP公式使得问题的求解计算成本很高。相反，我们提出的方法采用了一个层次规划框架，其中机器人确定要注意什么，以及在转移到其他信息源之前应该持续多长时间的注意力。在注意力维持阶段，机器人执行子策略，从给定当前注意力的原始MDP的抽象计算。我们使用一个例子，机器人的任务是捕捉一组入侵者在一个随机的gridworld。实验结果表明，该方法能够在随机环境中实现信息和计算效率高的优化规划。
2020-11-30 cs.AI cs.RO
Learning Continuous Control Policies for Information-Theoretic Active Perception
UC San Diego（加州大学圣迭戈分校）
本文提出一种基于信息论代价的连续控制策略学习方法，通过 Kalman filter、可微视场和注意力神经网络解决移动机器人主动地标定位与探索问题，并在模拟任务中验证了其优于基准方法的性能。
2023-05-16 cs.LG cs.RO
Online Event Segmentation in Active Perception using Adaptive Strong Anticipation
大多数认知架构依赖于离散表示，无论是在空间（例如，对象）和时间（例如，事件）。然而，机器人与世界的互动本质上是连续的，无论是在空间上还是在时间上。将机器人接收到的感知输入流分割成离散和有意义的事件，这在弥合内部认知表征与外部世界之间的差距方面构成了一个挑战。最近在认知系统研究的背景下提出的事件分割理论支持人类基于感知输入与预测的匹配将时间分割成事件。在这项工作中，我们提出了一个框架，在线事件分割，目标是机器人赋予主动感知。此外，感觉处理系统具有由诸如采样率和计算处理的许多因素导致的固有延迟，并且其很少被考虑。这个框架是建立在动力系统同步的理论，其中考虑的系统包括机器人和世界耦合（强预期）。采用自适应规则同时进行系统辨识和同步，并采用期望同步来预测系统的短期演化。该预测允许机器人致动的适当控制。一旦失去同步（预测误差突然增加），就检测到事件边界。提出的框架的概念的实验证明，连同一些初步的结果证实了这种方法。
2010-06-30 cs.RO
Active Perception and Modeling of Deformable Surfaces using Gaussian Processes and Position-based Dynamics
Royal Institute of Technology (KTH)（瑞典皇家理工学院）
探索和建模非均匀弹性表面需要与环境的多种相互作用和复杂的物理材料参数选择。最常见的方法是使用计算昂贵的基于力的模拟器从离线观测集对可变形特性进行建模。在这项工作中，我们提出了一个在线的概率框架，从几个物理相互作用的非均匀弹性表面的变形能力分布图的自主估计。该方法利用高斯过程来构建机器人周围的环境几何模型。一个快速的基于位置的动态模拟器使用集中的环境观测，以模拟部分环境的弹性行为。高斯过程回归将局部变形能力映射到整个环境上，以生成变形能力分布图。我们使用PrimeSense摄像头，Kinova 102机械臂和Optoforce传感器在不同的可变形表面上显示实验结果。
2018-02-13 cs.RO
Towards Exploratory and Focused Manipulation with Bimanual Active Perception: A New Problem, Benchmark and Strategy
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出探索性与聚焦性操控（EFM）问题，建立EFM-10基准并提出双臂主动感知策略，通过主动视觉和力觉感知提升复杂操控任务的完成能力。
2026-03-26 cs.AI cs.RO
Deep Active Learning with Contrastive Learning Under Realistic Data Pool Assumptions
Seoul National University of Science and Technology（首尔科学技术大学）
主动学习的目标是从未标记的数据池中识别出信息量最大的数据，使模型能够快速达到所需的准确性。这尤其有利于深度神经网络，其通常需要大量的标记样本来实现高性能。大多数现有的主动学习方法都是在理想环境中进行评估的，在理想环境中只有与目标任务相关的样本，即，分布内样本存在于未标记的数据池中。然而，从野外收集的数据池很可能包括与目标任务完全不相关的样本和/或过于模糊而无法分配单个类标签的样本，即使是对于oracle。我们认为，假设一个未标记的数据池组成的样本来自不同的分布是更现实的。在这项工作中，我们引入了新的主动学习基准，包括模糊的，任务无关的分布以及分布样本。我们还提出了一个主动学习方法，旨在获得信息的分布中的样本优先。所提出的方法利用标记和未标记的数据池，并通过对比学习构建的特征空间上的聚类选择样本。实验结果表明，所提出的方法需要更低的注释预算比现有的主动学习方法，以达到相同的准确率水平。
2023-03-25 cs.CV cs.LG
How to select and use tools? : Active Perception of Target Objects Using Multimodal Deep Learning
Waseda University（早稻田大学）；National Institute of Advanced Science and Technology（国立先进科学技术研究所）
选择适当的工具并在执行日常任务时使用它们是将机器人引入家庭应用的关键功能。然而，在以前的研究中，对目标对象的适应性是有限的，因此很难相应地改变工具和调整动作。为了用工具操纵各种物体，机器人必须理解工具的功能，并识别物体的特征，以识别工具-物体-动作的关系。我们专注于使用多模态感觉运动数据的主动感知，而机器人与物体进行交互，并允许机器人识别它们的外在和内在特征。我们构建了一个深度神经网络（DNN）模型，该模型学习识别对象特征，获取工具-对象-动作关系，并生成用于工具选择和处理的运动。作为工具使用情况的示例，机器人执行配料转移任务，使用翻勺或勺子将配料从锅转移到碗。结果证实，即使目标成分是未知的，机器人识别对象的特性和服务。我们还研究了图像，力和触觉数据的贡献，并表明学习各种多模态信息的结果丰富的感知工具使用。
2021-06-04 cs.LG cs.RO
Stream-based Active Learning by Exploiting Temporal Properties in Perception with Temporal Predicted Loss
BMW Group（宝马集团）；Technical University of Munich（慕尼黑工业大学）
本文提出时间预测损失TPL，利用图像流时间特性实现流式主动学习，并构建数据集与池式方法比较框架，在多样性、性能、数据量和速度上取得优势。
2023-09-26 cs.CV cs.LG
Safe Occlusion-aware Autonomous Driving via Game-Theoretic Active Perception
Princeton University（普林斯顿大学）
与其他交通参与者交互的自动驾驶车辆严重依赖于对其他智能体行为的感知和预测来规划安全轨迹。然而，由于遮挡限制了车辆的感知能力，因此对视野之外的潜在危险进行推理是开发自动驾驶系统中最具挑战性的问题之一。本文介绍了一种新的分析方法，提出了安全的轨迹规划下闭塞的混合零和动态游戏之间的自动驾驶汽车（逃避者）和最初隐藏的交通参与者（追求者）。由于遮挡，追捕者的状态最初不为逃避者所知，并且随后可能被车辆的传感器发现。分析结果为双方提供了最佳策略，以及一组初始条件，保证自动驾驶汽车避免碰撞。我们利用这一理论结果来开发一种新的自动驾驶轨迹规划框架，该框架提供了最坏情况下的安全保证，同时通过考虑车辆在未来观察中检测到其他道路使用者时主动避开他们的能力来最大限度地减少保守性。我们的框架是不可知的驾驶环境，适合各种运动规划。我们展示了我们的算法具有挑战性的城市和高速公路驾驶场景使用开源的CARLA模拟器。
2021-06-27 cs.RO cs.SY eess.SY
A Layered Architecture for Active Perception: Image Classification using Deep Reinforcement Learning
Lehigh University（理海大学）
为了解决图像分类问题，我们提出了一种机器人（代理）的规划和感知机制，它只能部分地观察底层环境。一个三层架构的建议，包括一个元层，决定中间目标，一个行动层，选择本地行动的代理导航到一个目标，和一个分类层，评估奖励，并作出预测。我们使用深度强化学习来设计和实现这些层。一个广义的策略梯度算法被用来学习这些层的参数，以最大化期望的回报。我们提出的方法进行测试的MNIST数据集的手写数字，这为我们提供了一个层次的解释，同时解释代理的中间目标和行动过程。
2019-09-20 cs.AI cs.LG cs.RO
OA-NBV: Occlusion-Aware Next-Best-View Planning for Human-Centered Active Perception on Mobile Robots
OA-NBV是一种面向移动机器人人类中心主动感知的遮挡感知下一步最佳视角规划方法，通过目标为中心的可见性模型提高遮挡环境下视角选择的成功率和观察质量。
2026-09-14 cs.AI cs.RO
Robust Active Perception via Data-association aware Belief Space planning
Department of Aerospace Engineering, Technion - Israel Institute of Technology（航空航天工程系，技术ion-以色列理工学院）
本文提出一种结合数据关联推理的信念空间规划方法，以应对定位不确定性和感知模糊环境中的挑战，通过设计新的成本函数提升主动解歧能力。
2016-06-16 cs.AI cs.RO cs.SY
