Yufei Zhu
Yufei Zhu Befattning: Doktorand Organisation: Institutionen för naturvetenskap och teknikE-post: eXVmZWkuemh1O29ydS5zZQ==
Telefon: 019 303458
Rum: T1227
Om Yufei Zhu
Välkommen till: Min sida
Jag heter Yufei Zhu och är doktorand vid Robot Navigation & Perception Lab på Örebro Universitet i Sverige. Jag handleds av Martin Magnusson, med biträdande handledning av Andrey Rudenko, Tomasz P. Kucner och Achim J. Lilienthal. Jag arbetar inom EU Horizon 2020-projektet DARKO och är även affilierad med Wallenberg AI, Autonomous Systems and Software Program (WASP).
Min forskning är en del av DARKO-projektet, som syftar till att utveckla smidiga produktionsrobotar som är effektiva, säkra och kapabla att arbeta i miljöer där de delar utrymme med människor. En viktig aspekt av dessa miljöer är att robotar måste vara medvetna om människors närvaro och intentioner, vilket möjliggör smidiga och intuitiva interaktioner. För att uppnå detta fokuserar vi på att lära probabilistiska representationer av mänskliga rörelsemönster, så kallade dynamikkartor (MoDs). Genom att koda rumsliga eller rumsligt-temporala rörelsemönster som miljöegenskaper kan de inlärda MoDs användas för att implicit dra slutsatser om målplatser, begränsningar och preferenser – vilket är avgörande för multimodal och långsiktig förutsägelse av mänsklig rörelse. Forskningen omfattar även metoder för att förbättra effektiviteten och flexibiliteten i inlärningen av dessa mönster, inklusive möjligheten till online-uppdateringar baserade på nya observationer.
Forskningsprojekt
Pågående projekt
Forskargrupper
Publikationer
Artiklar i tidskrifter
- Schreiter, T. , Almeida, T. R. d. , Zhu, Y. , Gutiérrez Maestro, E. , Morillo-Mendez, L. , Rudenko, A. , Palmieri, L. , Kucner, T. P. & et al. (2024). THÖR-MAGNI: A large-scale indoor motion capture recording of human movement and robot interaction. The international journal of robotics research. [BibTeX]
- Almeida, T. R. d. , Zhu, Y. , Rudenko, A. , Kucner, T. P. , Stork, J. A. , Magnusson, M. & Lilienthal, A. J. (2024). Trajectory Prediction for Heterogeneous Agents: A Performance Analysis on Small and Imbalanced Datasets. IEEE Robotics and Automation Letters, 9 (7), 6576-6583. [BibTeX]
Konferensbidrag
- Rudenko, A. , Zhu, Y. , Almeida, T. R. d. , Schreiter, T. , Castri, L. , Belotto, N. , Linder, T. , Vaskevicius, N. & et al. (2025). Hierarchical System to Predict Human Motion and Intentions for Efficient and Safe Human-Robot Interaction in Industrial Environments. I: 1st German Robotics Conference. Konferensbidrag vid 1st German Robotics Conference, Nuremberg, Germany, March 13-15, 2025. [BibTeX]
- Zhu, Y. , Fan, H. , Rudenko, A. , Magnusson, M. , Schaffernicht, E. & Lilienthal, A. (2024). LaCE-LHMP: Airflow Modelling-Inspired Long-Term Human Motion Prediction By Enhancing Laminar Characteristics in Human Flow. I: 2024 IEEE International Conference on Robotics and Automation (ICRA). Konferensbidrag vid IEEE International Conference on Robotics and Automation (ICRA 2024), Yokohama, Japan, May 13-17, 2024. (ss. 11281-11288). IEEE. [BibTeX]
- Zhu, Y. , Rudenko, A. , Kucner, T. , Palmieri, L. , Arras, K. , Lilienthal, A. & Magnusson, M. (2023). CLiFF-LHMP: Using Spatial Dynamics Patterns for Long-Term Human Motion Prediction. I: 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 01-05 October 2023, Detroit, MI, USA. Konferensbidrag vid 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2023), Detroit, MI, USA, October 1-5, 2023. (ss. 3795-3802). IEEE. [BibTeX]
- Almeida, T. , Rudenko, A. , Schreiter, T. , Zhu, Y. , Gutiérrez Maestro, E. , Morillo-Mendez, L. , Kucner, T. P. , Martinez Mozos, O. & et al. (2023). THÖR-Magni: Comparative Analysis of Deep Learning Models for Role-Conditioned Human Motion Prediction. I: 2023 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). Konferensbidrag vid IEEE/CVF International Conference on Computer Vision (ICCV) Workshops, Paris, France, October 2-6, 2023. (ss. 2192-2201). IEEE. [BibTeX]
- Schreiter, T. , Almeida, T. R. d. , Zhu, Y. , Gutiérrez Maestro, E. , Morillo-Mendez, L. , Rudenko, A. , Kucner, T. P. , Martinez Mozos, O. & et al. (2022). The Magni Human Motion Dataset: Accurate, Complex, Multi-Modal, Natural, Semantically-Rich and Contextualized. Konferensbidrag vid 31st IEEE International Conference on Robot & Human Interactive Communication, Naples, Italy, August 29 - September 2, 2022. [BibTeX]