Feb, 2017

碰撞避免的不确定性感知强化学习

PDF
TL;DR本研究提出了一种基于不确定性的模型学习算法，以实现移动机器人学习导航和避免碰撞的目标，该算法可以估计碰撞概率并通过不确定度来控制行进速度，并利用神经网络从传感器中处理原始数据，实验结果表明，该方法能在模拟和真实的四旋翼和遥控汽车中有效地减少训练期间的危险碰撞。
reinforcement learningcollision avoidancemobile robotsuncertainty-aware learningneural networks
发现论文，激发创造
  • 具有模型不确定性估计的安全强化学习

    使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

    Oct, 2018

  • 移动机器人避障的安全实践强化学习

    本文提出了一种结合现实强化学习、基于搜索的在线轨迹规划和自动紧急情况干预的高效碰撞避免系统，用于在室内实际环境下的移动机器人安全行驶。实验结果显示该方法比多种基线更优秀，可以实现更高的平均速度、更低的碰撞频率、更高的目标达成率、更小的计算开销和更平滑的整体控制。

    Sep, 2022

  • 深度强化学习中动态决策机构的运动规划

    本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

    May, 2018

  • 学习感知交互式自主安全性

    为了确保机器人等自主车辆的广泛部署，本文提出了一种新的闭环范式用于综合安全控制策略，明确考虑系统在可能的未来情景下的演变不确定性，通过物理动力学和机器人的学习算法共同推理，利用对抗深度强化学习进行放大，展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。

    Sep, 2023

  • 无人机安全多智能体运动规划中的不确定性下滤波强化学习

    我们提出一种可行的、基于强化学习和约束控制轨迹规划的无人机多智能体安全运动规划器，可以处理不确定的、杂乱的工作空间，并确保安全性、避免碰撞。该方法能够实时实施，相对于仅基于学习的方法，训练过程更简单，数值模拟和实验证明了该方法的有效性。

    Oct, 2023

  • 在共享空间中的自动驾驶车辆群体导航用于不确定性感知的深度强化学习

    在人行道密集的环境中，安全、符合社会要求且高效的低速自主车辆的导航需要考虑行人的未来位置以及与车辆和其他人的互动。本研究提出了一种集成预测和规划方法，该方法在模型无关的深度强化学习算法的训练中考虑了预测的行人状态的不确定性。通过引入一种新的奖励函数，该方法促使自主车辆尊重行人的私人空间，在接近行人时减速，并最小化与其预测路径的碰撞概率。结果显示，与不考虑预测不确定性的最先进的模型相比，本方法降低了 40% 的碰撞率，并增加了 15% 的与行人的最小距离。此外，该方法在性能和计算时间方面超过了采用相同预测不确定性的模型预测控制方法，并产生了更接近于人类驾驶员在类似场景中的轨迹。

    May, 2024

  • 自主驾驶强化学习的不确定性识别、估计和界限化

    该研究提出了一种基于不确定性边界的深度强化学习方法，用于保护无人驾驶决策的可靠性。该方法通过限制无人车神经网络决策策略的性能不确定性，从而提高了性能表现，并能够在不同程度的训练数据下有效地保护可靠性，并提高性能。

    May, 2023

  • 使用不确定性估计的强化学习在交叉路口的战术决策中

    本研究探讨了如何使用贝叶斯强化学习方法和散置神经网络来解决交叉路口自主驾驶情景下的决策问题，训练出的系统可以估计可靠性并识别未知情境中的危险，其性能远超标准的基于深度 Q 网络的决策系统。

    Jun, 2020

  • 谨防不确定性：风险意识和积极探索模型的基于强化学习

    我们引入了一种简单而有效的方法来管理基于模型的强化学习中的风险，该方法使用了概率安全约束、在确知不确定性面前的乐观和在事件性不确定性面前的悲观以及一组随机神经网络的平衡。各种实验证明，不确定性的分离对于在不确定和安全关键的控制环境中使用数据驱动的 MPC 方法表现良好是至关重要的。

    Sep, 2023

  • 自主车辆上的安全强化学习

    本研究探讨了如何通过预测来约束探索，从而实现强化学习在自动驾驶中的安全学习。

    Sep, 2019