Intention-Net: 集成规划和深度学习的目标导向自主导航
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
该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型,以识别其他交通参与者的意图,并实现减少自动驾驶应用程序反应时间的目的,与分离模块相比达到更高的准确性和节省计算资源。
Jan, 2021
本文提出了一种基于神经网络的运动规划方法,使用学习演示来训练机器人在动态障碍物环境下进行端到端导航,此方法可通过原始 2D 激光测距数据将目标位置映射到机器人的导航命令。模型已通过模拟和实际测试的方式进行了有效验证与比较。
Sep, 2016
本文提出一种基于循环图神经网络和注意力机制的新型 RL 方法,通过捕捉时空中多种交互类型来预测人类行为意图,并将该预测应用于无模型 RL 框架中以避免机器人干扰其他个体,从而在人群中实现机器人的安全、高效导航。
Mar, 2022
通过不同的神经网络架构,自然语言指令、视觉和深度输入被映射为机器行动的原语,RL 算法在稀疏奖励下学习状态表示、注意力函数和控制策略。在模拟家庭环境下的自然语言导航中,模型展示出了 30% 的改进和 52% 的成功率。
May, 2018
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
人机协作中,共享控制提供了一个机会来远程操作机器人操纵,以提高制造和装配过程的效率。本文提出了一种层次化的意图估计技术,通过将多尺度层次信息纳入神经网络中,提高了整体准确性。此外,我们还提出了一种多窗口方法,用于分配合适的层次预测窗口输入数据。各种输入的预测能力分析表明,深度层次化模型在预测准确性和早期意图识别方面具有优势。我们在虚拟现实环境中实现了该算法,通过各种装配任务的仿真,展示了在线估计的有效性。
Mar, 2024
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
利用深度学习模型,结合自然语言处理和机器人导航,使用关注模型以及环境的拓扑表示,将自由形式的自然语言指令翻译成行为机器人高级计划,能够显著优化传统方法的表现,并且探讨了环境地图作为知识库来促进自由形式导航指令翻译的可能性。
Sep, 2018
本文提出了一种新的在步行丰富的环境下进行自主导航的算法,该算法使用基于展示和指导的行为学习,结合深度卷积神经网络和分层嵌套策略选择机制,能够有效地学习专家干预并成功地在实际世界中进行自主导航。
Nov, 2018