我们的系统可以适应不断变化的环境并实时更新地形信息。这项工作体现了计算机视觉和机器人技术的融合，为建筑行业开辟了新的途径。查看该工作： 。 ：神经辐射场内基于变压器的对象定位 本研究引入了 （一种基于 的框架）来提取 场景中对象的 边界框。 将预先训练的 模型和摄像机视图作为输入，生成带标签、定向的物体 边界框作为输出。这项研究发表在 机器人与自动化快报上。它在各种实际应用中的对象定位方面具有巨大的潜力。查看该工作。
通过课程强化学习进行挖掘的目标抽样适应 在 国际智能机器人与系统会议上，百度研究院 推出了 （ ），这是一种课程强化学习方法，可以学习机器人舀任务的有效且可泛化的策略。具体来说，我们使用目标因子奖励公式并插入位置目 电话号码列表 标分布和数量目标分布来创建整个学习过程的课程。视频和论文位于项目页面： ：将地图先验纳入神经辐射场以进行驾驶视图模拟 端到端自动驾驶正在主导新一代自动驾驶技术的研发，支持自动驾驶闭环仿真的模拟器至关重要。
现实与虚拟世界之间长期存在且具有挑战性的问题是模拟与真实的差距。简而言之，现有模拟器普遍使用 、 等游戏引擎来渲染道路、车辆、行人、树木等设计资产，而自动驾驶车辆看到的视图与像素级渲染的资产不同。 神经辐射场 的最新进展使得能够从 图像重建 世界。这对于弥合自动驾驶模拟中的模拟与真实差距可能有用。然而，现有的 方法受到道路测试日志数据提供的数据有限的影响，这可能会导致结果不令人满意，特别是当相机姿态偏离轨迹时；当从偏离的视图合成图像时，无法保证语义一致性。 |
