基于扩散模型的服务机器人动态人员跟踪 学术背景 在复杂和拥挤的人类中心环境中，动态人员的跟踪是机器人技术中的一个具有挑战性的问题。由于存在遮挡、姿态变形和光照变化等类内差异，传统的跟踪方法往往难以准确识别和跟踪目标。现有的机器人跟踪方法通常依赖于独立的检测和跟踪系统，这种方法在计算效率和实时性方面存在瓶颈，尤其是在面对类内差异时，检测器的失败可能导致跟踪的中断。 为了解决这些问题，本文提出了一种基于条件潜在扩散模型（Conditional Latent Diffusion Models）的新型深度学习架构——潜在扩散跟踪（Latent Diffusion Track, LDTrack）。该架构通过捕捉时间上的人员嵌入（temporal person embeddings），能够适应人员外观随...

生理数据在与拟人化服务机器人进行人机交互中的应用：Affect-HRI数据集 背景与研究意义 在人类与人类、人类与机器人互动中，交互对象会影响人类的情感状态。与人类不同，机器人本质上无法表现出同理心，因此无法缓解不利的情感反应。为了创建一个负责任且具有同理心的人机交互系统，尤其是在涉及拟人化服务机器人时，必须了解机器人行为对人类情感的影响。为此，研究人员提供了一个新的综合数据集Affect-HRI，首次包括了标记有人类情感（即情绪和心情）的生理数据，这些数据是在进行的一项人机交互研究中收集的。 研究来源 该研究论文由Judith S. Heinisch、Jérôme Kirchhoff、Philip Busch、Janine Wendt、Oskar von Stryk和Klaus David...