喜讯 | 理工学院共5篇研究论文被ICRA 2024收录

近日，ICRA 2024公布论文接收结果，理工学院共有5篇研究论文被收录。

在被收录的论文中，作者包括了8位理工学院博士生*：李飞飞、胡攀文（已毕业）、金瑜飞、祁卫敏、宋琪、孙钦波、王一斌和杨涵；通讯作者分别为理工学院黄锐副教授、钱辉环副教授、林天麟助理教授和张焯然助理教授。这些成果不仅体现了理工学生的学术潜力与实力，也彰显了学院教师的学术能力和专业指导。 

IEEE国际机器人与自动化大会（IEEE International Conference on Robotics and Automation, ICRA）由机器人与自动化学会（IEEE Robotics and Automation Society, RAS）主办，是该学会的旗舰会议，也是机器人技术领域颇具规模和影响力的国际学术会议。

*按姓氏首字母排列

论文介绍

论文1

题目：Incremental 3D Reconstruction through Hybrid Explicit-and-Implicit Representation

02

论文摘要

三维重建是计算机视觉中的一项重要任务，广泛应用于机器人和自动驾驶领域。在构建大规模场景时，由于计算资源的限制以及在单个任务中获取整个场景数据的困难，在一次任务中重建完整的大场景非常困难，因此我们需要采用增量重建方法。一方面，SLAM、SFM等传统显式3D重建方法需要全局优化，这意味着时间和空间资源随着训练数据的增长而急剧增加。另一方面，如果增量训练，像神经辐射场（NeRF）这样的隐式方法会遭受灾难性遗忘。在本文中，我们以混合表征的方式增量重建3D模型，我们使用体素网格表示辐射场的体密度，并且使用浅层MLP 推断采样点的颜色信息由。在这种情况下，对体素网格的扩展的方案和浅层MLP的蒸馏方案能够有效地实现持续学习。

本文的贡献包括提出了一种使用体素网格来挑选关键帧的新方法，这是隐式表示方法所不具备的；本文还提出了一种通过随机蒸馏和关键帧回放优化的增量重建新方法；实验结果表明，我们的增量重建方法达到了与采用全局优化的方法相当的准确度。

图1. 不同增量重建方法的对比

该论文作者为李飞飞，香港中文大学（深圳）理工学院在读博士生，主要研究方向是视觉定位、三维重建。

黄锐，香港中文大学（深圳）理工学院副教授，主要研究方向是智能视频处理、视觉定位、自动驾驶。

论文2

题目：A Turning Radius Prediction Scheme for Sailing Robots under Complex Marine Environment

复杂海洋环境下的帆船机器人转弯半径预测

02

论文摘要

帆船机器人转弯场景示例

帆船机器人运动是高度非线性的，这归因于它仅依赖复杂的风场作为推进力，以及其欠驱动的性质。在真实海上航行中，它受到来自复杂海洋环境的扰动，如波浪、水流和潮汐等，对机器人的路线产生了不可忽视的影响。有效地估计转弯半径可以为帆船导航提供指导，并在危险情况下及时发出预警。

半径预测系统架构

本文提出了一种考虑海洋环境空气动力学和流体动力学干扰的帆船机器人转弯半径预测策略。转弯半径的基准是根据转弯过程中三个航行关键点获得。随后，基于构建的转弯数据集和高斯过程回归过程（GPR）对预测模型进行训练，从而实现半径预测。

数据集中船头朝向与船速变化

我们在仿真和真实海洋环境中都采集了大量的转弯数据并构建了数据集，其中包括训练数据集和测试数据集。

仿真结果

实验结果

半径估计示例

所提出的半径估计方法的可用性和有效性在仿真和实验中均得到了验证。在实验条件下，训练后的预测模型产生的转弯半径的平均绝对误差（MAE）为0.58米。此外，实验结果表明，在1200公里的远距离、长时间航行中，除了风速和机器人速度外，潮汐对帆船机器人的导航也有重大影响。

该论文第一作者为祁卫敏，香港中文大学（深圳）理工学院博士生，研究方向是无人帆船的安全导航。

通讯作者为香港中文大学（深圳）理工学院钱辉环教授，他的研究方向包括机器人与智能系统，近期专注于海洋机器人的研究。

论文3

题目：Design of a Towing System by Multi Autonomous Sailboats

多自主帆船的拖曳系统设计

02

论文摘要

海洋研究中要采集特定海域的水文数据，需将各类传感器长时间、大范围地布置在相关的海域内。使用自主帆船来牵拉浮动的传感设备来实现特定海域的部署和移动探测无疑是一种便捷、高效且节能的方案。然而，由于单艘自主帆船所能提供的牵引力有限，使用单船牵拉大漂浮探测设备是及其困难的。

我们提出了一种采用多自主帆船系统牵拉漂浮物体的方案。这是一种线性连接布局的双自主帆船拖曳系统，能提供更大的牵引力，甚至拖曳漂浮物体逆风航行。本文还介绍了一系列验证性重复实验，包括采用高速红外动作捕捉系统的风场水池试验，来测试多帆船拖曳系统的风帆和尾舵优化控制策略，以提高该系统所能提供的牵引力和系统迎风换舷成功率。文章还展示了三种可用于拖曳系统内部帆船间连接机构设计及其性能对比测试，并采用了其中的最优机构作为该多帆船牵引系统的连接构件。

双帆船拖曳实验

该论文第一作者为梁程，深圳市人工智能与机器人研究院（AIRS）的助理工程师。主要研究领域涵盖机器人机械结构设计、机器人电子系统设计、嵌入式开发、机器人感知、控制、决策算法研究等等。

通讯作者为香港中文大学（深圳）理工学院钱辉环教授，他的研究方向包括机器人与智能系统，近期专注于海洋机器人的研究。

论文4

题目：Meta-Reinforcement Learning Based Cooperative Surface Inspection of 3D Uncertain Structures using Multi-robot Systems

02

论文摘要

本论文研究了一类基于学习的使用异构多机器人系统在立体且未知环境中进行传感器扫描的新问题。研究动机主要是两方面：1.立体环境是复杂的，所以如何充分发挥异构机器人之间不同传感器性能搭配是很必要的。2.在未知环境下（例如救援环境），时间是非常重要的。因为基于传统的学习的方法通常在新的环境中重新训练和适应是非常耗时的，我们需要一种更加高效的方式去探索和适应整个环境。为了达到此目的，作者提出了一种基于元强化学习的方法来改进探索和适应性能。实验结果表明此方法比起其他先进算法能够提高15%-27%的探索成功率以及70%-75%的自适应速度。

本文第一作者为陈俊锋，曾在林天麟教授团队担任研究助理并在期间完成本文的研究工作。他的研究兴趣主要包括机器人、机器人学习、机器人规划以及多机器人系统。

本文通讯作者林天麟是香港中文大学(深圳)理工学院助理教授，他长期从事模块化机器人、多机器人系统及特种机器人的研究工作。

论文5

题目：Weakly-Supervised Depth Completion during Robotic Micromanipulation from a Monocular Microscopic Image

02

论文摘要

本论文旨在解决机器人微操作中获取密集深度信息的挑战。在微操作设置中，获取三维信息，特别是z轴深度信息，对于精确执行任务至关重要。然而，由于缺乏深度传感器（如激光雷达）在微操作设置中的可用性，传统的深度获取方法，如焦点深度（DFF）或散焦深度（DFD），直接从显微图像中推断深度，但分辨率有限。作为替代，微操作任务通过检测末端执行器与物体（如细胞）的接触来获取准确的深度信息。尽管这种方法具有高准确性，但由于其低效率，只能获得稀疏的深度数据。因此，本文提出了一种弱监督深度完成网络，该网络以细胞图像和接触检测获得的稀疏深度数据作为输入，生成稠密深度图。此外，提出了一种两阶段数据增强方法来增加稀疏深度数据，并通过网络细化方法优化深度图。实验结果表明，深度预测误差小于0.3微米，证明了该方法的准确性和有效性。这个深度学习网络流程可以无缝集成到机器人微操作任务中，提供准确的深度信息，弥补了现有方法的不足之处，从而有望在微操作领域取得重大进展。

Fig1. Methods for obtaining dense depth maps. Conventionally, depth sensors such as lidars are used to obtain sparse depth, which is then converted into dense depth maps via depth completion. However, in micromanipulation setups, depth sensors are unavailable. Traditional methods, such as depth from focus/defocus, yield depth maps with poor resolution. Our approach employs contact detection within a robotic micromanipulation system, coupled with deep learning methods, to generate dense depth maps.

该论文的作者团队有理工学院在读博士生杨涵，共同一作为理工学院在读博士生金瑜飞，导师同为理工学院张焯然教授。同时，该论文的通讯作者是张焯然教授以及加拿大多伦多大学的孙钰教授。其他参与的作者还包括加拿大多伦多大学的单冠乔博士，以及香港中文大学（深圳）理工学院的博士生王一斌，研究助理郑勇斌和理工学院的俞江帆教授。

*部分内容由论文作者提供

【END】

点击以下链接，进入理工时刻：