IROS

GIANT - Global Path Integration and Attentive Graph Networks for Multi-Agent Trajectory Planning

GIANT - 全局路径整合与注意力图网络用于多智能体轨迹规划

Jonas le Fevre Sejersen, Toyotaro Suzumura, Erdal Kayacan

机构 * Artificial Intelligence in Robotics Laboratory (AiR Lab), Department of Electrical and Computer Engineering, Aarhus University（人工智能机器人实验室（AiR实验室），电气与计算机工程系，奥胡斯大学） ； Foundation Models for Artificial Intelligence group, Department of Information and Communication Engineering, Tokyo University（人工智能基础模型组，信息与通信工程系，东京大学） ； Automatic Control Group, Department of Electrical Engineering and Information Technology, Paderborn University（自动控制组，电气工程与信息科技系，波德恩大学） 纠错

AI总结 GIANT通过结合全局路径规划与注意力图网络，提升多智能体在复杂动态环境中的避障与导航性能。

Comments Published in: 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Visual Imitation Learning of Task-Oriented Object Grasping and Rearrangement

面向任务的物体抓取与重排的视觉模仿学习

Yichen Cai, Jianfeng Gao, Christoph Pohl, Tamim Asfour

AI总结 本文提出多特征隐式模型（MIMO）用于提升机器人在不完全观察下抓取和重排物体的性能，并通过模拟和现实实验验证其在任务导向操作学习中的有效性。

Journal ref 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)