网站设计的技能要求广告设计好学吗

当前位置： 首页 > news >正文

网站设计的技能要求,广告设计好学吗,安全教育平台登录入口 登录,计算机软件著作权作者#xff1a;Junhui Wang, Dongjie Huo, Zehui Xu, Yongliang Shi, Yimin Yan, Yuanxin Wang, Chao Gao, Yan Qiao, Guyue Zhou 单位#xff1a;澳门科技大学系统工程与协作实验室、智能科学与系统联合实验室#xff0c;清华大学人工智能产业研究院#xff08;AIR… 作者Junhui Wang, Dongjie Huo, Zehui Xu, Yongliang Shi, Yimin Yan, Yuanxin Wang, Chao Gao, Yan Qiao, Guyue Zhou 单位澳门科技大学系统工程与协作实验室、智能科学与系统联合实验室清华大学人工智能产业研究院AIR北京化工大学信息科学与技术学院哈尔滨工业大学航天学院中国科学院大学人工智能学院北京理工大学机械与车辆工程学院清华大学车辆与运载学院 标题OpenBench: A New Benchmark and Baseline for Semantic Navigation in Smart Logistics 原文链接https://arxiv.org/pdf/2502.09238 项目主页https://ei-nav.github.io/OpenBench/ 代码链接https://github.com/EI-Nav/light-map-navigation
主要贡献 论文引入OpenBench基准用于优化住宅环境中的最后一公里配送提供了一个框架来评估室外语义导航系统重点关注长期操作能力和任务理解能力。 提出了OPEN基线系统具有交互性和易部署性并使用现成的OpenStreetMap (OSM) 进行轻量级地图表示消除了预映射的需求。 OPEN系统结合了基础模型和经典算法来增强语义导航使用大模型LLMs进行自然语言理解和视觉语言模型VLMs进行全局定位、地图更新和门牌号识别。 在模拟和现实环境中进行广泛的实验验证了OPEN系统在最后一公里配送中的有效性在导航效率和可靠性方面有显著提升并公开了代码和基准数据集。
研究背景 研究问题 在智能物流领域高效解决最后一公里配送问题已成为一项亟待满足的关键需求。 传统导航方法过度依赖高精度地图导致资源消耗巨大相比之下基于学习的方法虽有优势但在现实场景中的泛化能力存在明显不足且对大量训练数据存在过度依赖。 随着自动化机器人需求的日益增长如何提升其操作效率并降低相关成本已成为该领域的核心问题。 本文提出了一种融合基础模型与经典算法的 Openstreetmap 增强型开放式语义导航OPEN系统旨在显著提升自主机器人在长期操作以及任务理解方面的能力。
研究难点 该问题的研究难点包括 传统方法的高资源消耗和复杂环境下的泛化问题 基于学习的方法需要大量训练数据且在现实场景中表现不佳。
相关工作 传统导航方法依赖于高精度地图的同步定位与地图构建SLAM、路径规划和机器人控制等方法这些方法在大规模部署中受限尤其是在住宅区域的最后一公里配送场景中。 基于学习的导航技术近年来强化学习和视觉语言模型VLMs等技术提供了新的导航方法。这些方法通过将感官输入直接映射到动作来实现导航但在泛化能力和现实应用中仍存在挑战。 视觉语言模型的应用VLMs在语义导航中的应用显示出潜力能够在不依赖大量训练数据和精细标注的情况下实现导航。然而大多数研究集中在室内导航室外导航的研究相对较少。 现有方法的局限性现有的基准和导航方法主要集中在室内环境无法充分应对室外最后一公里配送的复杂性和长期运营需求。 本文贡献论文提出了一种结合传统方法和基础模型的创新方法以应对室外导航的挑战并为智能物流中的最后一公里配送提供可靠的解决方案。
智能物流BENCHMARK 任务定义 目标基准的目标是提高导航系统在最后一公里配送任务中的互动性、易部署性和长期可靠性。 任务描述最后一公里配送任务涉及解释自然语言指令并自主导航至客户住所。系统不需要使用预先构建的地图而是依赖公开的OpenStreetMap (OSM) 导航数据进行导航。这种设置旨在模仿人类配送人员所面临的实际条件。 模拟环境 平台基于Gazebo仿真平台构建了三个不同大小的世界模型分为小、中、大三类根据环境的复杂性进行分类。 标签每个建筑的门上都标有门牌号以模拟真实世界的情况。 OSM数据为每个世界模型生成相应的OSM数据以反映现实世界的情况。
评估指标 任务规划成功率SRTP量化基于LLMs的任务规划的精确度反映系统理解指令的能力。公式如下 其中 是总任务数 是一个二元变量指示任务成功1或失败0。 任务完成的成功率SR和路径长度加权成功率SPL评估任务完成的整体成功率和效率。SR表示成功完成任务的比例而SPL结合了任务完成和路径效率。 长期成功率LSR用于评估连续操作中的任务成功情况。LSR扩展了SR指标考虑了连续操作中的任务成功。公式如下 其中 表示任务 的成功 是从指数衰减模型中导出的权重因子。 长期路径长度加权成功率LSPL进一步细化评估考虑任务成功和导航效率随时间的变化。公式如下 其中 表示从起点到任务 目标的最短路径距离 是实际路径长度。权重因子 在LSR和LSPL中使用的权重因子遵循指数衰减模型优先考虑早期任务的影响。公式如下 其中 是衰减率 表示任务序列 是总任务数。
研究方法 系统概述 系统结构OPEN系统用于最后一公里自主配送。系统首先接收自然语言配送请求通过任务规划模块进行处理该模块基于大模型LLM进行任务规划。模块与OpenStreetMapOSM交互以提取目的地细节并生成结构化的任务序列。 导航模式机器人根据生成的路径自主决定进入导航或探索模式生成执行路径点的经典规划器。 定位与更新系统使用经典的局部定位方法进行局部姿态估计并通过MobileSAM和CLIP模型与OSM集成进行低频全局定位以减少累积定位误差。 地图更新机器人检测并识别环境中的物体更新OSM以增强地图细节提高未来配送的导航性能。
基于大模型的任务规划 利用LLMs将多语言、自由形式的文本指令转换为结构化的机器人任务。该方法分为三个关键阶段 地址解析用户提供自然语言配送指令初始LLM提示提取并解析一系列地址将其细分为层次化的子地址。为减少“幻觉”LLM生成的错误输出使用二次提示验证提取的信息。 任务优化地址提取后另一个提示优化任务序列。地理上相近的任务被分组以便同时完成跨区域的任务被建模为经典调度问题以提高效率。 位置查询从最低级别到最高级别查询OSM中的层次化子地址。一旦确认某个级别的地址存在查询过程停止。根据OSM信息的完整性生成每个配送所需的任务序列。
导航点生成 导航模式对于配送地址的高层次组件OSM通常包含位置信息利用OSM的道路网络数据生成全局路由指引。步骤包括 道路预处理将OSM数据转换为基于特定交通配置文件如车辆、行人的分层图以实现高效路由。 路径查询使用多层DijkstraMLD算法进行路由查询通过分层图减少搜索空间快速确定地理坐标之间的最优路径。 探索模式当OSM缺乏精细细节时机器人自动探索以定位入口。步骤包括 建筑预处理从OSM检索目标建筑的位置和几何信息计算建筑的凹包以排除内部元素。 均匀采样对膨胀的多边形进行均匀采样生成面向建筑中心的路径点以优化搜索覆盖。 门牌号识别在每个路径点机器人通过RGB相机捕获图像VLM分析图像以识别目标入口。若未成功定位机器人移动到下一个路径点直到成功检测到目标入口。
全局定位与地图更新 全局定位使用VLMs和OSM进行直接定位解决城市环境中里程计误差和GPS不可靠的问题。步骤包括 对象分割MobileSAM模型分割图像中的对象OSM提供其包含的元素类型。 嵌入空间编码分割图像和OSM文本编码到共享嵌入空间系统根据计算的概率分配语义标签。 点云投影将点云投影到图像上进行语义映射保留相关点并投影到鸟瞰图平面。 2D注册从OSM得到的几何进行2D注册提供机器人的全局位姿。 地图更新在线地图更新增强机器人的记忆。过程类似于全局定位但增加了新检测到的元素如门牌号板到地图中提高配送的效率。
局部定位与规划 局部状态估计使用FastLIO2进行基于LiDAR的局部位姿估计维护LiDAR和里程计帧之间的变换。 路径规划OSM转换为代价图进行A*路径查找使用Timed Elastic Band算法生成平滑、动态可行的轨迹进行实时控制。 实验 实验设置 模拟环境 机器人配置使用差速驱动的四轮机器人配备单目相机和Livox MID-360激光雷达。状态记录器跟踪任务完成情况和运动轨迹提供评估指标所需的数据。 任务输入配送目的地随机生成并组织成文本指令或目标图像作为导航系统的输入。 评估指标使用前文定义的指标设置。成功的导航定义为机器人到达目的地10米范围内。 现实环境 机器人配置在现实环境中机器人配备Logitech RGB相机、Livox MID-360激光雷达和GPS。GPS记录机器人的实际轨迹手动评估任务完成情况。手动控制的路径作为比较的最优轨迹。 评估指标同样使用前文定义的指标成功的导航定义为机器人到达目的地10米范围内。 评估指标 任务规划成功率SRTP评估LLMs将目的地地址解析成指定格式本工作中为JSON的成功率。 导航性能比较不同方法在模拟环境中的成功率SR和路径长度加权成功率SPL。对于连续任务评估长期成功率LSR和长期路径长度加权成功率LSPL。 计算平台 在AMD R9-7945HX处理器和RTX 4060 GPU的PC上进行基准和基线测试。
模拟环境结果 任务规划成功率评估了几种LLMsGPT-4O-mini取得了最高的成功率而其他LLMs仍有改进空间。 导航性能提出的OPEN系统在模拟环境中表现出色成功率高优于NoMaD和ViNT等基于学习的导航系统。NoMaD和ViNT在模拟环境中显示出较差的泛化能力成功率低主要是由于导航过程中的碰撞。 长期导航性能在LSR和LSPL评估中OPEN系统在大规模模拟环境中表现良好尽管完成任务数量相同但得分较高。 地图更新的影响评估了地图更新对导航效率的影响发现地图更新显著提高了导航效率。 存储空间效率比较了OSM、点云地图和拓扑地图的存储空间OSM的存储空间大约是点云地图的1%是拓扑地图的0.01%显示出其高效性。 现实环境结果 实验任务在现实世界的校园环境中进行实验任务包括向两个不同的建筑进行顺序配送。 比较方法评估了ViNT、NoMaD、提出的OPEN系统和手动操作的远程控制基线。ViNT和NoMaD在导航过程中遇到碰撞未能完成任务而OPEN系统成功执行了整个配送序列表现接近手动操作的控制SPL达到96.1%。 总结 论文提出的OPEN系统结合了OSM和先进的基础模型解决了可扩展和高效户外导航的挑战。 通过使用OSM进行轻量级地图表示并结合LLMs和VLMs进行全球定位、地图更新和门牌号码识别系统克服了传统方法和基于学习方法的局限性。 引入的新基准测试为评估自主配送系统提供了一个有效的框架。