ICLRNov, 2016

学习在复杂环境中导航

PDF
TL;DR利用增强学习问题和多模态感应输入的辅助深度预测和循环闭环分类任务，可以学习从复杂 3D 迷宫中进行导航并接近人类级别表现
reinforcement learningmultimodal sensory inputsnavigationgoal-driven3d mazes
发现论文，激发创造
  • 无地图城市导航学习

    该论文提出一种基于深度强化学习的城市级别自主导航模型，采用 Google StreetView 进行环境交互和训练，具备可迁移性和区域特征一致性，实现了在多个城市环境下自主导航到目标位置。

    Mar, 2018

  • 通过深度强化学习探究 Morris 水迷宫中的导航策略

    本研究使用 2D 模拟 Morris 水迷宫来训练深度强化学习代理程序，并自动分类了导航策略， 将人工智能的学习动力学与动物实验数据进行比较。通过开发环境特定的辅助任务来研究影响其有用性的因素， 最后研究了人工代理神经网络中激活的内部表征的发展，这些表征类似于老鼠大脑中发现的 place cells 和 head-direction cells，并且它们的存在与人工代理采用的导航策略有相关性。

    Jun, 2023

  • 基于后继状态特征的深度强化学习在相似环境导航中的应用

    研究机器人导航，提出了一种基于强化学习的算法，通过前期掌握的导航知识，能快速适应不同环境下的导航任务，并与经典基于规划的导航方法进行对比。

    Dec, 2016

  • 在逼真环境中学习视觉导航，无需任何监督

    提出了一种无需外部监督或奖励的新方法，通过三个阶段，学习从图像输入进行导航：学习视角的良好表示，然后使用内存进行探索，最后通过设置自己的目标来学习导航。该模型仅使用内在奖励进行培训，因此适用于任何具有图像观察的环境。通过使用 RGB 输入训练代理在具有挑战性的 Gibson 数据集的逼真环境中导航的好处。

    Apr, 2020

  • 学习导航探索策略

    本研究提出了使用基于学习的方法，实现任务无关的探索性导航的想法，在对比传统的使用几何技术和通用学习技术的情况下，所采用的包括了空间记忆的策略可以更好地探索新的 3D 环境，并将其用于下游任务。

    Mar, 2019

  • 从经验中学习机器人导航：原则、方法和最新成果

    本文介绍了一种用机器学习来提高机器人导航技能的学习工具箱及其设计原则，并总结了作者们最近研究的实验结果和未来工作的方向。

    Dec, 2022

  • 经典和基于学习的导航在复杂 3D 环境中的基准测试

    本文探索经典导航和基于学习的导航的协调方法，通过在不同的模拟环境中进行测试和评估，发现经典系统在复杂的杂乱环境中能够表现出非常好的性能，而学习系统能够在有限的传感器套件下更加稳健地运行，但两种方法都远未达到人类水平的表现。

    Jan, 2019

  • 复杂环境中的自主导航

    该论文探讨了使用 CNN-DNN 网络融合构建机器人导航控制器在模拟环境中的应用。模拟环境模拟了地下救援情况，其中一个自主代理任务是在未知的洞穴系统中找到一个目标。使用模仿学习训练控制算法利用 LiDAR 和摄像头数据导航空间并找到目标。通过使用蒙特卡洛测试训练好的模型的鲁棒性。

    Jan, 2024

  • 具身视觉导航的深度学习：一项综述

    综述了目前关于具有各种智能技能的智能机器人在 3D 环境中进行导航的研究领域，着重介绍了在这一领域内的各种高级技能，例如：感知局部观察视觉输入，理解跨模态的指令等等，并探讨了未来的研究方向及挑战。

    Jul, 2021

  • 使用深度强化学习的机器人路径规划

    本文介绍了如何使用强化学习方法和深度 Q 网络等算法，使得机器人可以在未知环境中进行自主导航的任务。我们还利用模拟环境对机器人代理的行为和性能进行了验证和分析。

    Feb, 2023