Mar, 2018

无地图城市导航学习

PDF
TL;DR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。
navigationdeep reinforcement learningcity-scalelocale-specific knowledgegoogle streetview
发现论文，激发创造
  • 学习在复杂环境中导航

    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

    Nov, 2016

  • 在街景中学习遵循指示

    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

  • DeepNav: 学习在大城市中导航

    DeepNav 是一个基于卷积神经网络（CNN）的算法，使用城市街景图像实现导航；使用 10 个城市图形和超过 100 万个街景图像组织的数据集，提出了 3 种监督学习方法，并表明可以使用 A * 搜索在城市图中生成学习的监督。

    Jan, 2017

  • StreetLearn 环境和数据集

    本文介绍 StreetLearn，一个以 Google Street View 为基础的可交互、第一人称、视觉模拟环境，可用于研究端到端导航，扩充了静态数据集和模拟器。

    Mar, 2019

  • 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

  • 在未知环境中跟随自然语言指令的学习模型

    本文提出了一个新的学习框架，使得机器人可以成功地遵循自然语言路线指令，而无需任何先前环境的知识。该算法利用通过命令传达给机器人的空间和语义信息来学习关于空间扩展环境的度量和语义属性的分布，并将自然语言指令解释为关于预期行为的分布。通过对地图和状态分布进行推理，使用模仿学习的新型置信空间规划器直接求解策略，我们在可声控轮椅上评估了我们的框架。结果表明，通过学习和推理潜在的环境模型，该算法能够成功地遵循新颖的扩展环境中的自然语言路线指令。

    Mar, 2015

  • 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

  • 基于双重强化学习技术的地面移动机器人增强低维度感知无地图导航

    通过比较分析基于深度 Q 网络（DQN）算法和基于双重深度 Q 网络（DDQN）算法的深度强化学习（Deep-RL）策略，本研究提出了两种不同的方法，旨在增强地面移动机器人的无地图导航能力。这些方法中的智能体利用来自激光范围采样的 24 个测量，以及与目标的位置差异和方向相关的智能体位置数据，通过融合这些数据来影响导航决策，从而最终控制机器人的速度。实验结果表明，相比于简单的 Q 结构，双重深度结构显著提高了移动机器人的导航能力，且无需依赖于复杂的感知输入，如基于图像的方法。

    Oct, 2023

  • 无需地图或指南针的学习：全景目标驱动视觉导航

    本文提出了一种机器人导航系统，采用模仿学习框架在复杂环境下成功导航，使用 RGB 和深度 (RGBD) 信息，可以应对大型环境和多个房间及未知目标的导航，相较于多个基准测试具有更好的性能。

    Sep, 2019

  • 行人密集环境下的模仿导航

    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