Liang, J., Jiang, L., Murphy, K., Yu, T. & Hauptmann, A. Dans Actes de la conférence IEEE/CVF sur la vision par ordinateur et la reconnaissance de formes. 10508–10518 (2020).
Tang, YC & Salakhutdinov, R. Prévision à terme multiples. Progrès dans les systèmes de traitement de l’information neuronale 32 (2019).
Chai, Y., Sapp, B., Bansal, M. & Anguelov, D. Multipath : hypothèses de trajectoire d’ancrage probabilistes multiples pour la prédiction du comportement. Dans Conférence sur l’apprentissage des robots. 86–99 (2020).
Smith, T., Chen, Y., Hewitt, N., Hu, B. & Gu, Y. Évitement d’obstacles de robot socialement conscient en tenant compte de l’intention et des préférences humaines. Journal international de robotique sociale. 1–18 (2021).
Chen, Y., Smith, T., Hewitt, N., Gu, Y. & Hu, B. Effets de l’espace personnel humain sur le comportement d’évitement des obstacles du robot : une évaluation humaine dans la boucle. Dans Actes de la réunion annuelle de la Human Factors and Ergonomics Society, vol. 65, 1195–1199 (SAGE Publications Sage CA : Los Angeles, Californie, 2021).
Hentout, A., Aouache, M., Maoudj, A. & Akli, I. Interaction homme-robot en robotique collaborative industrielle : une revue de la littérature de la décennie 2008-2017. Robotique avancée. 33764–799 (2019).
Kruse, T., Basili, P., Glasauer, S. & Kirsch, A. Navigation robotique lisible à proximité d’humains en mouvement. Dans Atelier IEEE 2012 sur la robotique avancée et ses impacts sociaux (ARSO). 83–88 (IEEE, 2012).
Fernando, T., Denman, S., Sridharan, S. & Fookes, C. Soft+ hardwired attention : Un cadre lstm pour la prédiction de trajectoire humaine et la détection d’événements anormaux. Les réseaux de neurones. 108466–478 (2018).
Google Scholar
Kosaraju, V. et al. Social-bigat : prévision de trajectoires multimodales à l’aide de réseaux d’attention vélo-gan et graphique. Progrès dans les systèmes de traitement de l’information neuronale 32 (2019).
Helbing, D. & Molnar, P. Modèle de force sociale pour la dynamique des piétons. Examen physique E. 514282 (1995).
Chen, Z. et al. Distanciation sociale autonome en milieu urbain à l’aide d’un robot quadrupède. Accès IEEE. 98392–8403 (2021).
Di Lalo, A. et al. Robots médicaux pour les maladies infectieuses : leçons et défis de la pandémie de covid-19. Magazine IEEE sur la robotique et l’automatisation 2818–27 (2021).
Chen, Y., Luo, Y. et Hu, B. Vers des outils de nettoyage de nouvelle génération : facteurs affectant l’utilisation des robots de nettoyage et la conception des comportements proxémiques. Les frontières de l’électronique 14 (2022).
Chau, PY Une évaluation empirique d’un modèle modifié d’acceptation de la technologie. Journal des systèmes d’information de gestion. 13185–204 (1996).
Pellegrini, S., Ess, A., Schindler, K. & Van Gool, L. Vous ne marcherez jamais seul : Modélisation du comportement social pour le suivi multi-cibles. Dans 2009 IEEE 12e Conférence internationale sur la vision par ordinateur. 261–268 (IEEE, 2009).
Lerner, A., Chrysanthou, Y. & Lischinski, D. Crowds par exemple. Dans Forum infographie. vol. 26, 655–664 (Bibliothèque en ligne Wiley, 2007).
Majecka, B. Modèles statistiques du comportement des piétons dans le forum. Mémoire de maîtrise, École d’informatique, Université d’Édimbourg. (2009).
Benfold, B. & Reid, I. Suivi multi-cible stable dans la vidéo de surveillance en temps réel. Dans CVPR 2011. 3457–3464 (IEEE, 2011).
Schneider, N. & Gavrila, DM Prévision de chemin piétonnier avec filtres bayésiens récursifs : une étude comparative. Dans Conférence allemande sur la reconnaissance de formes. 174–183 (Springer, 2013).
Martin-Martin, R. et al. Jrdb : un ensemble de données et une référence sur la perception visuelle des humains par des robots égocentriques dans des environnements bâtis. Transactions IEEE sur l’analyse de modèles et l’intelligence artificielle (2021).
Zhou, B., Wang, X. & Tang, X. Comprendre les comportements collectifs des foules : Apprentissage d’un modèle mixte d’agents-piétons dynamiques. Dans Conférence IEEE 2012 sur la vision par ordinateur et la reconnaissance de formes. 2871–2878 (IEEE, 2012).
Brščić, D., Kanda, T., Ikeda, T. & Miyashita, T. Suivi de personnes dans de grands espaces publics à l’aide de capteurs de distance 3D. Transactions IEEE sur les systèmes homme-machine. 43522–534 (2013).
Kratzer, P. et al. Mogaze : un ensemble de données de mouvements du corps entier qui inclut la géométrie de l’espace de travail et le regard. Lettres IEEE sur la robotique et l’automatisation. 6367–373 (2020).
CMU. Base de données de capture de mouvement du laboratoire graphique CMU. http://mocap.cs.cmu.edu (2003).
Ionescu, C., Papava, D., Olaru, V. & Sminchisescu, C. Human3. 6 m : Ensembles de données à grande échelle et méthodes prédictives pour la détection humaine en 3D dans les environnements naturels. Transactions IEEE sur l’analyse de modèles et l’intelligence artificielle. 361325-1339 (2013).
Mandery, C., Terlemez, Ö., Do, M., Vahrenkamp, N. & Asfour, T. Le kit de base de données sur les mouvements humains du corps entier. Dans Conférence internationale sur la robotique avancée 2015 (ICAR). 329–336 (IEEE, 2015).
Ngo, TT, Makihara, Y., Nagahara, H., Mukaigawa, Y. & Yagi, Y. La plus grande base de données de démarche basée sur un capteur inertiel et l’évaluation des performances de l’authentification personnelle basée sur la démarche. La reconnaissance de formes 47228-237 (2014).
Subramanien, R. et al. Algorithme d’appariement de la marche invariant d’orientation basé sur l’alignement de kabsch. Dans Conférence internationale IEEE sur l’analyse de l’identité, de la sécurité et du comportement (ISBA 2015). 1–8 (IEEE, 2015).
Gadaleta, M. & Rossi, M. Idnet : Reconnaissance de la marche sur smartphone avec réseaux de neurones convolutifs. La reconnaissance de formes. 7425–37 (2018).
Chen, Y., Yang, C., Gu, Y. & Hu, B. Influence des robots mobiles sur la perception de la sécurité humaine et la productivité du système dans les environnements de commerce de gros et de détail : une étude pilote. Transactions IEEE sur les systèmes homme-machine 52624–635 (2022).
Chen, Y. et al. Effets des robots mobiles autonomes sur la charge de travail mental humain et la productivité du système dans les entrepôts intelligents : une étude préliminaire. Dans Actes de la réunion annuelle de la Human Factors and Ergonomics Society, vol. 64, 1691–1695 (SAGE Publications Sage CA : Los Angeles, Californie, 2020).
Quigley, M. et al. ROS : un système d’exploitation de robot open source. Atelier ICRA sur les logiciels libres. 35 (2009).
Google Scholar
Grisetti, G., Stachniss, C. & Burgard, W. Techniques améliorées pour la cartographie en grille avec des filtres à particules rao-blackwellisés. Transactions IEEE sur la robotique. 2334–46 (2007).
Fox, D., Burgard, W., Dellaert, F. & Thrun, S. Localisation de Monte carlo : Estimation efficace de la position des robots mobiles. AAAI/IAAI. 343–349 (1999).
Dijkstra, EW Une note sur deux problèmes liés aux graphes. Mathématique numérique. 1269-271 (1959).
Gerkey, BP & Konolige, K. Planification et contrôle en terrain non structuré. Dans l’atelier de l’ICRA sur la planification de trajectoires sur Costmaps. (2008).
Luo, Y., Zheng, H., Chen, Y., Giang, WC & Hu, B. Influences du fonctionnement du smartphone sur la démarche et la posture lors d’une tâche de marche en plein air. Actes de la réunion annuelle de la Human Factors and Ergonomics Society 641723–1727 (2020).
Luo, Y., Lu, X., Ahrentzen, S. & Hu, B. Impact des repères visuels basés sur la destination sur les caractéristiques de la marche chez les adultes de plus de 75 ans : une étude pilote. Démarche et posture 87110-116 (2021).
Chen, Y. et al. Interaction homme-robot mobile dans l’environnement de vente au détail. Banque de données scientifiques. https://doi.org/10.11922/sciencedb.01351 (2022).
Roudenko, A. et al. Thör : collecte de données de navigation homme-robot et jeu de données précis sur les trajectoires de mouvement. Lettres IEEE sur la robotique et l’automatisation. 5676–682 (2020).
Redmon, J., Divvala, S., Girshick, R. & Farhadi, A. Vous ne regardez qu’une seule fois : détection unifiée d’objets en temps réel. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes. 779–788 (2016).
Thrun, S. Robotique probabiliste. Communication de l’ACM. 4552–57 (2002).
Obo, T. & Yasuda, E. Contrôleur flou intelligent pour la navigation robotique sensible à l’homme. Dans 2018 12ème Congrès France-Japon et 10ème Congrès Europe-Asie de Mécatronique. 392–397 (IEEE, 2018).
Chen, C., Liu, Y., Kreiss, S. & Alahi, A. Interaction foule-robot : navigation robotisée sensible à la foule avec apprentissage par renforcement profond basé sur l’attention. Dans Conférence internationale 2019 sur la robotique et l’automatisation (ICRA). 6015–6022 (IEEE, 2019).
Robicquet, A., Sadeghian, A., Alahi, A. & Savarese, S. Apprentissage de l’étiquette sociale : compréhension de la trajectoire humaine dans les scènes bondées. Dans Conférence européenne sur la vision par ordinateur. 549–565 (Springer, 2016).
Ah, S… et al. Un ensemble de données de référence à grande échelle pour la reconnaissance d’événements dans la vidéosurveillance. Dans CVPR 2011. 3153–3160 (IEEE, 2011).
Geiger, A., Lenz, P. & Urtasun, R. Sommes-nous prêts pour la conduite autonome ? la suite de référence kitti vision. Dans Conférence IEEE 2012 sur la vision par ordinateur et la reconnaissance de formes. 3354–3361 (IEEE, 2012).
Yan, Z., Duckett, T. & Bellotto, N. Apprentissage en ligne pour la classification humaine dans le suivi basé sur le lidar 3D. Dans Conférence internationale IEEE/RSJ 2017 sur les robots et systèmes intelligents (IROS). 864–871 (IEEE, 2017).
Dondrup, C., Bellotto, N., Jovan, F. & Hanheide, M. Suivi de personnes multicapteurs en temps réel pour l’interaction spatiale homme-robot Atelier ICRA sur l’apprentissage automatique pour la robotique sociale. (2015).
->Google Actualités
