A Combination of Theta*, ORCA and Push and Rotate for Multi-agent Navigation

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

27 августа 2026 г.

Ученые НИУ ВШЭ представили свою разработку для систем связи 6G

Терагерцовая нейроморфная схема, разработанная учеными Вышки, позволяет сделать системы связи 6G одновременно более точными и менее энергоемкими. Точность определения положения мобильных устройств внутри помещений достигает 99%. Результаты работы представили на PIERS 2026 — международном симпозиуме по фотонике и электромагнетизму в Китае.

25 августа 2026 г.

Исследователи ВШЭ сравнили рекомендательные алгоритмы по правилам спортивного турнира

Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали подход, который помогает эффективнее подбирать рекомендательные алгоритмы. В нем разные методы попарно соревнуются, а по результатам всех поединков составляется общий рейтинг. Это помогает сократить число алгоритмов, которые нужно проверять при разработке новых сервисов, и сэкономить денежные и временные ресурсы.Исследование было представлено на 32-й конференции ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026).

20 августа 2026 г.

<a>Исследователи НИУ ВШЭ и Сбера научили нейросети лучше угадывать предпочтения пользователей

Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Сбер представили новую архитектуру для рекомендательных систем: благодаря объединению двух классов моделей алгоритмы лучше угадывают интересы и потребности пользователей. Препринт работы опубликован на сайте arxiv.org и представлен на летнем фестивале «Урбан ML».

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

A Combination of Theta*, ORCA and Push and Rotate for Multi-agent Navigation

P. 55–66.

Яковлев К. С., Dergachev S.

Язык: английский

DOI

Текст на другом сайте

В книге

Interactive Collaborative Robotics: 5th International Conference, ICR 2020, St Petersburg, Russia, October 7-9, 2020, Proceedings

Springer, 2020.

Decentralized Uncertainty-Aware Multi-Agent Collision Avoidance With Model Predictive Path Integral

Дергачев С. А., Yakovlev K., , in: 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).: IEEE, 2025. P. 12456–12463.

Добавлено: 2 марта 2026 г.

Distributed Multi-Agent Navigation Based on Reciprocal Collision Avoidance and Locally Confined Multi-Agent Path Finding

Дергачев С. А., Яковлев К. С., , in: 2021 IEEE 17th International Conference on Automation Science and Engineering (CASE).: IEEE, 2024. Ch. n/a P. 1489–1494.

Добавлено: 5 мая 2025 г.

Model predictive path integral for decentralized multi-agent collision avoidance

Дергачев С. А., Яковлев К. С., PeerJ Computer Science 2024 Vol. 10 Article e2220

Добавлено: 28 августа 2024 г.

Локальное планирование траектории колесного робота в ограниченной среде на основе модельного прогнозирующего управления

Алхаддад М., Миронов К. В., Дергачев С. А. и др., Робототехника и техническая кибернетика 2023 Т. 11 № 3 С. 205–214

Решается задача локального планирования траектории автономной колесной робототехнической платформой в ограниченной среде внутри помещений. Среда может содержать узкие проезды, ширина которых меньше, чем длина платформы, и, следовательно, нельзя применять стандартный подход с раздутием препятствий на максимальный радиус платформы. Предложен подход на основе численного решения задачи нелинейного модельного прогнозирующего управления. Продолговатая форма платформы аппроксимируется эллипсом высокого ...

Добавлено: 8 сентября 2023 г.

Automatic Tool for Gazebo World Construction: From a Grayscale Image to a 3D Solid Model

Abbyasov B., Lavrenov R., Zakiev A. и др., , in: 2020 IEEE International Conference on Robotics and Automation (ICRA 2020).: Institute of Electrical and Electronics Engineers Inc., 2020. P. 7226–7232.

Добавлено: 11 октября 2021 г.

A Comparative Evaluation of Machine Learning Methods for Robot Navigation Through Human Crowds

Шпильман А. А., Kudenko D., Gaydashenko A., , in: 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA).: IEEE, 2018. P. 553–557.

Robot navigation through crowds poses a difficult challenge to AI systems, since the methods should result in fast and efficient movement but at the same time are not allowed to compromise safety. Most approaches to date were focused on the combination of pathfinding algorithms with machine learning for pedestrian walking prediction. More recently, reinforcement learning ...

Добавлено: 18 января 2019 г.