Laura Antanas

关于

Laura Antanas 是一位专注于机器人技术与机器学习交叉领域的研究者，其核心研究方向涵盖机器人抓取、关系学习与图像理解。她的学术贡献在于将概率逻辑推理、语义与几何信息有机融合，为机器人抓取问题提供了更智能、更具任务适应性的解决方案。 她最具影响力的工作《机器人抓取的语义与几何推理：一种概率逻辑方法》（2018年，45次引用）系统性地将高层语义推理与底层物理约束相结合，显著推动了任务驱动型抓取研究的发展。她还在图核方法应用于物体类别预测（2013年，19次引用）以及关系距离框架用于层次化图像理解（2012年，9次引用）等方面作出了重要贡献，展现了其将关系表示与机器学习方法融合的独特视角。 此外，Antanas 在关系可供性学习与统计关系学习（SRL）领域持续深耕，探索门把手开启等实际场景中的推理问题。她的研究体系完整、方法创新，为机器人感知与操作领域提供了兼具理论深度与实践价值的重要参考。

研究焦点

主要成就

代表论文

1. 1
   Semantic and geometric reasoning for robotic grasping: a probabilistic logic approach

   45 次引用 · 2018
2. 2
   Graph Kernels for Object Category Prediction in Task-Dependent Robot Grasping

   19 次引用 · 2013
3. 3
   A RELATIONAL DISTANCE-BASED FRAMEWORK FOR HIERARCHICAL IMAGE UNDERSTANDING

   9 次引用 · 2012
4. 4
   There are plenty of places like home: Using relational representations in hierarchies for distance-based image understanding

   8 次引用 · 2013
5. 5
   High-level Reasoning and Low-level Learning for Grasping: A Probabilistic Logic Pipeline

   6 次引用 · 2014
6. 6
   Relational Kernel-Based Grasping with Numerical Features

   5 次引用 · 2016
7. 7
   Opening Doors: An Initial SRL Approach

   4 次引用 · 2013
8. 8
   Relational Affordance Learning for Task-Dependent Robot Grasping

   4 次引用 · 2018

主要合作者

联系与链接