Using Human Attention to Address Human-Robot Motion
本文利用human attention来解决HRM(Human-Robot Motion)的问题.
Human Attention
- 对于人而言视觉注意力是一种认知机制用来过滤人类的传感信息[文献7]
- 文献8的作者提出了attention field的概念(文献8是利用的文献9的模型进行的计算)
- 文献9的模型是针对人视野的一个单独区域而言的,类似于文献10提出的变焦镜头模型
- 文献11综述在心理和脑神经取得的成果,对注意力模型有详细解释
- 文献12 bottom-up和top-down机制
- Bottom-up mechanisms:直接被环境所影响,例如特征明显的物体或者环境隐藏的改变
- a passive, reflexive and involuntary stimulus-driven mechanism
- Top-down mechanisms:被目前的活动,先验知识和期望所影响
- active, voluntary and goal-directed
- 它反映了将注意力资源有意的分配给预定的元素——objects, regions of the environment
- Bottom-up mechanisms:直接被环境所影响,例如特征明显的物体或者环境隐藏的改变
- 文献19 salience maps
作者博士论文第三章阅读
to the best of our knowlege
for the sake of simplicity and visualization 为了简单和可视化起见
Deep Object-Centric Policies for Autonomous Driving
加州伯克利大学
提出一种以物体为中心的模型object-centric,无论是仿真还是实际效果都比object-agnostic好。模拟器用的是the Grand Theft Auto V simulator,实际验证用的数据集Berkeley DeepDrive Video dataset。
其实以物体为中心就是将注意力集中在物体上
评论加载中