May, 2018

深度强化学习中动态决策机构的运动规划

PDF
TL;DR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。
collision avoidancedeep reinforcement learningdynamic agentslstmautonomous robotics
发现论文，激发创造
  • 基于深度强化学习的碰撞动量用于对抗行人建模

    本文提出了一种基于强化学习算法的行人模拟方法，专门针对边缘案例下自动驾驶控制器的不足，并且能够产生更严重的碰撞，以便在复杂多变的情况下识别并纠正自动驾驶算法的缺陷。

    Jun, 2023

  • 具有深度强化学习的社会感知运动规划

    使用深度强化学习，本文研发了一种尊重人们常见社交规范的导航策略，可以使机器人车辆在行人密集的环境中以人类步速进行完全自主导航。

    Mar, 2017

  • 基于深度强化学习的分散式非通信多智能体避碰

    该研究提出了一种基于深度强化学习的分散式多智能体碰撞避免算法，该算法利用价值网络来实现高效（即可实时实施）的查询并考虑其他智能体的运动不确定性，与现有碰撞避免策略相比显示出更高的路径质量改进。

    Sep, 2016

  • 使用强化学习在限制的行人环境下实现机器人导航

    本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

    Oct, 2020

  • 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

  • 自主车辆运动规划深度强化学习调查

    本文研究了在自动驾驶车辆领域中，传感器技术、通信、安全、人工智能、机器学习、路线规划等多方面的应用，重点阐述了一种基于深度强化学习的层次运动规划方法，并以车跟、车道保持、轨迹跟踪、融合和交通压力等不同场景的自动驾驶为例，总结了现有解决方案的优缺点并提出未来研究方向和挑战。

    Jan, 2020

  • 基于强化学习的行为规划与采样运动规划的自动驾驶集成

    本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

    Apr, 2023

  • 深度强化学习在高风险驾驶场景下的先进纵向控制和碰撞避免

    现有的先进驾驶辅助系统主要关注直接前方的车辆，通常忽视了来车的潜在风险。本研究引入了一种基于深度强化学习的新算法，用于纵向控制和避撞，该算法有效地考虑了前后车辆的行为，并在模拟的高风险情况下实施，如紧密行驶的多车辆场景中的紧急刹车，传统系统通常难以应对。实验证明该算法能够防止潜在的连环碰撞，包括涉及重型车辆的碰撞。

    Apr, 2024

  • 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

  • 使用无模型强化学习在密集交通中驾驶

    本研究使用深度强化学习来生成一种连续控制规划方案，让自动驾驶汽车在拥挤的道路上实现车道变换，并与基于模型预测控制算法进行对比测试。

    Sep, 2019