Bridging Learned Visual Perception and Symbolic Belief-Space Planning
Technion - Israel Institute of Technology(以色列理工学院)
本文提出VLM作为概率接地器的新范式,将视觉-语言模型的谓词接地不确定性建模为符号状态上的概率分布,实现信念空间规划,在模拟家庭机器人环境中提升了鲁棒性和任务成功率。
2026-09-16 cs.AI cs.RO
Enhancing Visual Perception in Novel Environments via Incremental Data Augmentation Based on Style Transfer
University of Pittsburgh(匹兹堡大学);Institut Teknologi Sepuluh Nopember(十一月理工学院);Stanford University(斯坦福大学)
本文提出利用 VPE 识别新颖输入,并通过神经风格迁移进行增量数据增强,实验证明该方法能显著提升模型在新颖环境下的视觉感知鲁棒性。
2023-09-16 cs.CV cs.RO
Neurosymbolic Reasoning with Incremental Knowledge for Sample Efficient Hierarchical Reinforcement Learning
NTU Singapore(新加坡南洋理工大学);IPAL, CNRS, France(法国IPAL-CNRS)
本研究提出结合增量知识(InK)的神经符号分层强化学习,通过符号高层组件执行符号规划、低层神经模块学习运动原语,在导航任务中显著提升了样本效率,还开发了信念世界树搜索方法。
2026-09-04 cs.AI cs.RO
A Fully Differentiable Neuro-Soft-Symbolic Framework for Perceptual Task Planning
Clemson University(克莱姆森大学)
提出全可微神经-软符号框架,连接感知与规划,通过软符号状态和可微转移算子优化动作,在Blocksworld上显著提升成功率并减少计算量。
2026-09-21 cs.AI cs.RO
Embodied Intelligence in Disassembly: Multimodal Perception Cross-validation and Continual Learning in Neuro-Symbolic TAMP
School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院);Intel Labs China(英特尔中国实验室);Intel Asia Pacific R&D Ltd(英特尔亚太研发有限公司)
本文提出基于神经符号TAMP的持续学习框架,集成多模态感知交叉验证与双向推理流,解决动力电池非结构化拆卸中的动态环境感知问题,将任务成功率提升至100%并显著降低感知误判。
2025-09-14 cs.AI cs.RO
NEUSIS: A Compositional Neuro-Symbolic Framework for Autonomous Perception, Reasoning, and Planning in Complex UAV Search Missions
Faculty of Information Technology, Monash University(莫纳什大学信息技术学院)
针对复杂环境下无人机自主搜索任务的感知决策难题,提出组合式神经符号框架NEUSIS,整合多模块实现高效搜索,实验验证其性能优于现有最优模型。
2024-09-16 cs.AI cs.CV 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
A Multi-Modal Neuro-Symbolic Approach for Spatial Reasoning-Based Visual Grounding in Robotics
Faculty of Information Technology, Monash University(信息技术学院,墨尔本大学);Department of Electrical Engineering, Sharif University of Technology(电气工程系,谢赫大学)
针对VLMs在细粒度空间推理上的不足,提出整合全景图像与3D点云的神经符号框架,结合神经感知与符号推理显式建模空间逻辑关系,在JRDB-Reasoning数据集上展现卓越性能且保持轻量化设计。
2025-10-30 cs.AI cs.CV cs.RO
Interactive and Incremental Learning of Spatial Object Relations from Human Demonstrations
本文提出一种在交互中从少量人类示范增量学习空间关系几何模型的方法,利用圆柱概率分布和增量最大似然估计实现样本高效更新,使机器人能根据口头指令操纵物体满足空间关系。
2023-05-16 cs.RO
Amortized Object and Scene Perception for Long-term Robot Manipulation
University of Bremen(不来梅大学)
移动机器人在人类环境中进行长期的操作活动,必须感知各种各样的具有非常不同的视觉特性的对象,并需要在整个任务执行过程中可靠地跟踪这些对象。为了提高效率,机器人的感知能力需要超越当前可感知的范围,并且应该能够回答有关当前和过去场景的查询。在本文中,我们研究了一个长期的机器人操作的感知系统,跟踪不断变化的环境,并建立一个代表性的感知世界。具体来说,我们引入了一个摊销组件,在整个执行周期中传播感知任务。由此产生的查询驱动的感知系统异步集成的结果,从记录的图像到一个符号和数字(我们称之为子符号)表示,形成的感知信念状态的机器人。
2019-03-28 cs.AI cs.CV cs.RO
Incremental Language Understanding for Online Motion Planning of Robot Manipulators
Human-Robot Interaction Lab, Tufts University(塔夫茨大学人机交互实验室);Automation and Control Institute (ACIN), TU Wien(自动化与控制研究所(ACIN));center for Vision, Automation & Control, AIT Austrian Institute of Technology GmbH(视觉、自动化与控制中心,奥地利技术研究院)
本文提出了一种基于推理的增量解析器,用于实现机器人在动态语言输入下的在线运动规划,提升人机交互的灵活性和实时性。
2025-08-08 cs.RO
Towards Robot-Centric Conceptual Knowledge Acquisition
Otto-von-Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Jacobs University Bremen(不来梅雅各布大学)
机器人需要关于物体的知识,以便有效地执行涉及物体的各种家庭任务。现有的机器人知识库获取符号知识的对象从手动编码的外部常识知识库,如概念网,字网等,这种方法的问题是人类为中心的符号知识和机器人为中心的对象感知之间的差异,由于其有限的感知能力。最终,知识库中的大部分知识仍然没有被机器人感知。为了克服这种差异,我们提出了一种方法,使机器人能够生成机器人为中心的符号知识的对象从自己的感官数据,从而使他们能够组装自己的概念理解的对象。考虑到这一目标,本文件详细介绍了拟议方法的进展情况以及初步结果。
2018-10-08 cs.AI cs.RO
Gibbs Sampling Strategies for Semantic Perception of Streaming Video Data
Woods Hole Oceanographic Institution(伍兹霍尔海洋研究所);McGill University(麦吉尔大学)
流传感器数据的主题建模可用于移动机器人对环境的高水平感知。在本文中,我们比较各种吉布斯采样策略的主题建模流时空数据,如视频捕获的移动机器人。与以往的在线主题建模,如o-LDA和增量LDA的工作相比,我们表明,所提出的技术的结果在较低的在线和最终的困惑,给定的实时约束。
2015-09-10 cs.LG cs.RO
Taxonomy-Aware Continual Semantic Segmentation in Hyperbolic Spaces for Open-World Perception
University of Freiburg(弗莱堡大学)
针对开放世界语义分割中旧类刚性限制问题,提出基于双曲空间类别学树结构的TOPICS方法,实现类别增量学习,在Cityscapes和Mapillary Vistas 2.0上达到最先进性能。
2024-11-04 cs.AI cs.CV cs.RO
Scenario-based Compositional Verification of Autonomous Systems with Neural Perception
University of Pennsylvania, USA(美国宾夕法尼亚大学);KBR Inc., NASA Ames, USA(KBR公司、NASA阿姆斯研究中心);Colorado State University, USA(美国科罗拉多州立大学);Carnegie Melon University, USA(美国卡内基梅隆大学)
针对带神经感知的自主系统验证难题,提出基于场景分解、概率抽象与符号推理的组合验证框架,有效限制了环境变化下的系统错误概率。
2025-04-29 cs.LG cs.RO
Incremental RANSAC for Online Relocation in Large Dynamic Environments
Kyushu University(九州大学)
车辆重新定位的问题,其中移动机器人必须估计的自我位置相对于先验地图的地标使用的感知和运动测量,而不使用任何知识的初始自我位置。最近,随机抽样一致性(RANSAC),一个强大的多假设估计,已成功地应用于离线定位在静态环境中。另一方面,动态环境下的在线重定位仍然是一个困难的问题,因为可用的计算时间总是有限的,并且测量包含许多离群值。为了实现实时的算法,这样的在线过程中,我们已经开发了一个增量版本的RANSAC算法通过扩展一个有效的抢占RANSAC计划。这种新的方案称为增量RANSAC是能够找到内点假设的自我位置的大量的离群假设污染的离群测量。
2015-06-25 cs.CV cs.RO
Occupancy Grids: A Stochastic Spatial Representation for Active Robot Perception
IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
在本文中,我们提供了一个新的框架,机器人感知,真实世界的建模和导航,使用一个随机的镶嵌表示的空间信息称为占领网格的概述。Occupational Grid是一个多维随机场模型,它维护空间网格中每个单元的占用状态的概率估计。贝叶斯估计机制,采用随机传感器模型允许增量更新的占领网格使用多视图,多传感器数据,多个地图的组成,决策,并纳入机器人和传感器位置的不确定性。我们提出了潜在的随机制定的占领网格框架,并讨论其应用程序的各种机器人獠牙。这些包括基于范围的映射,多传感器集成,路径规划和避障,处理机器人位置的不确定性,纳入预编译的地图,恢复的几何表示,以及其他相关的问题。实验结果表明,Occupational Grid方法生成密集的世界模型,在传感器不确定性和误差下是鲁棒的,并且允许显式处理不确定性。它支持开发强大而灵活的传感器解释方法,增量发现程序以及来自多个来源的信息组合。此外,结果表明,机器人任务可以通过直接在Occupational Grid上执行的操作来解决,并且这些操作与在图像处理域中执行的操作具有很强的相似性。
2013-03-27 cs.AI cs.RO
Incremental Validation of Automated Driving Functions using Generic Volumes in Micro- Operational Design Domains
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出基于微操作设计领域通用体积的自动驾驶功能增量验证方法,通过抽象物体表示和共模拟环境测试,系统探索障碍物检测边缘情况,评估感知性能。
2025-12-12 cs.RO cs.SY eess.SY
CSymPlan: Certified Symbolic Planning and Control for High-DOF Manipulators
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学(MBZUAI));Technical University of Munich(慕尼黑工业大学);Ludwig Maximilian University of Munich(慕尼黑大学);New York University Abu Dhabi(纽约大学阿布扎比分校)
本文提出CSymPlan框架,通过离线预计算可验证策略与在线运行时循环,使高自由度机械臂完成可达-规避任务时零安全违规,无验证动作时安全处理。
2026-08-25 cs.RO cs.SY eess.SY
A Neuro-Symbolic Humanlike Arm Controller for Sophia the Robot
Hanson Robotics Ltd(汉森机器人公司)
我们概述了使用机器感知、卷积神经网络和符号AI进行逻辑控制和启示索引的新型机器人手臂的设计和构造。我们描述了我们的机器人手臂与人类一样的机械配置和美学,28自由度,触摸传感器,和一系列的弹性致动器。这些手臂是在Roodle和Gazebo中使用URDF模型以及Unity建模的,并实现了运动控制解决方案,用于解决百家乐(赌场纸牌游戏),剪刀石头布,握手和绘画的现场游戏。这包括与人的实时交互,结合了手部和面部姿势的社会控制,以及用于抓取和操纵任务的物理逆运动学(IK)。由此产生的框架是Sophia 2020 alpha平台的一个组成部分,该平台正在与作者与AHAM团队合作进行的研究中使用,AHAM是ANA Avatar Xprize致力于人类-AI混合远程呈现的努力。这些结果可在广泛发布的Hanson Robotics Sophia 2020机器人平台上进行测试,供用户尝试和扩展。
2020-10-27 cs.AI cs.RO
Knowledge Acquisition and Completion for Long-Term Human-Robot Interactions using Knowledge Graph Embedding
Sapienza University of Rome(罗马第一大学)
在人机交互(HRI)系统中,一个具有挑战性的任务是共享操作环境的表示,融合符号知识和感知,用户和机器人之间。通过现有的HRI管道,用户可以教机器人一些概念,以增加他们的知识库。不幸的是,来自用户的数据通常不够密集,无法构建一致的表示。此外,现有的方法是不能够逐步建立自己的知识库,这是非常重要的,当机器人必须处理动态上下文。为此,我们提出了一个架构,从用户和环境中收集数据的长期运行的持续学习。我们采用知识图谱嵌入技术来概括所获得的信息,逐步扩展机器人的内部表示的环境的目标。我们评估的整体持续学习架构的性能,通过测量的机器人的学习实体和关系来自未知的情况下,通过一系列的增量学习会话的能力。
2023-01-17 cs.AI cs.RO
ECO: Incremental Ego-Centric Octree Update for Point Streams
Korea University of Technology and Education(韩国科学技术大学)
研究为实时处理连续点流的移动机器人构建八叉树的挑战,提出ECO这一空间数据结构及增量更新算法,实验表明其减少更新时间、降低系统延迟,能保留动态场景中移动物体的短期时间记忆。
2026-07-07 cs.GR cs.RO
Tactile-Filter: Interactive Tactile Perception for Part Mating
Mitsubishi Electric(三菱电机);Mitsubishi Electric Research Labs(三菱电机研究实验室);MIT(麻省理工学院)
本文提出Tactile-Filter,利用视觉触觉图像训练深度网络预测销孔概率对应,并结合粒子滤波与最大化不确定性降低的动作选择,实现机器人零件配合中的交互式触觉感知。
2023-06-05 cs.AI cs.LG cs.RO
PO-PDDL: Learning Symbolic POMDPs from Visual Demonstrations for Robot Planning Under Uncertainty
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institute(上海创新研究院)
提出PO-PDDL符号化POMDP框架,通过从机器人执行视频中重建潜在状态轨迹、识别部分可观测性并学习随机转移与观测模型,实现不确定性下的鲁棒任务规划。
2026-08-21 cs.AI cs.RO
Architecting Large Action Models for Human-in-the-Loop Intelligent Robots
本文提出通过整合符号方法与现成模型构建可验证的神经符号智能机器人动作模型,以提升可靠性和可解释性。
2025-12-12 cs.RO cs.SY eess.SY