DeepNav: 学习在大城市中导航
本研究介绍了一个基于 Google Street View 的任务环境 StreetNav, 该环境结合了模拟环境的实用性和真实环境的挑战性,可用于测试机器学习系统的语言理解、规划、导航和计算机视觉能力,并使用深度强化学习训练算法来实现导航并测试通用能力。
Mar, 2019
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
本文提出一种在室内使用单一摄像头实现四旋翼自主导航和寻找目标物体(例如书包)的方法,使用卷积神经网络 (ConvNet) 进行深度学习,使用可视化技术来更好地理解训练网络。
Nov, 2015
本文提出了一种新颖的深度神经网络模型,利用图像转向路径导航,并加入一次性学习来处理数据问题,可以在只展示一次路径并且无需重新训练模型的情况下自主驾驶车辆。与其他候选架构比较后,通过车内和离线测试来验证了该模型的性能。
Jun, 2023
通过扩展端到端驾驶网络、定义新颖的可变网络,将深度学习应用于自动驾驶领域,使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位,同时给出了汽车可能采取行动的完整概率分布,并能够在观察到的视觉道路拓扑图和地图之间建立的对应关系基础上,进行粗略姿势定位。
Nov, 2018
本文提出了一种基于车载摄像头图像的道路布局推断模型,同时构建了一个路况数据集,可以将导航地图的元数据与 Google 街景图像匹配以提供标签,并利用深度卷积网络训练该模型,结果表明该方法可用于提升基础设施安全性。
Nov, 2016
提出了一种机器人系统的新方法,其中一个较大系统的每个构件都表示为可微分的程序,即深度神经网络,应用到一个具有挑战性的部分可观测机器人导航任务中。在预测性模拟实验中,成功训练 Navigation Networks(NavNets)来解决这个具有挑战性的部分可观察的导航任务。
Jul, 2018
本文提出了一种适用于室内机器人导航的语义图形表示方法,该表示方法以语义位置和导航行为为节点和边,利用深度学习架构直接从视觉输入生成导航行为,无需计算机器人精确位置和环境几何关系,实现以更高的语义抽象水平导航的目的。
Mar, 2018
提出了一种基于深度强化学习的算法 CoverNav,用于在隐蔽环境下识别和导航无人地面车辆,同时保持低成本轨迹,并在 3D 点云数据、机器人姿态和目标信息生成的高程图上确定最大的隐蔽性,以及通过选择自然障碍物作为遮蔽物来隐藏。
Aug, 2023
教授自主移动机器人在人群中成功导航是一项具有挑战性的任务,该论文采用神经网络来学习机器人在现场的特定策略,以考虑人类行为和对真实机器人的反应,同时针对各种情景学习相应策略,并对方法、实验结果进行了定量评估。
Apr, 2024