Jul, 2018

将算法规划和深度学习相融合用于部分可观测导航

PDF
TL;DR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。
发现论文，激发创造
  • Intention-Net: 集成规划和深度学习的目标导向自主导航

    该论文介绍了一种基于分层方法的导航系统，该系统采用无模型深度学习和基于模型的路径规划来帮助机器人在新环境下到达目标地点，通过预训练的意图网络来进行本地导航和与路径规划器的融合，实现在新环境和目标中的有效泛化。

    Oct, 2017

  • 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

  • FollowNet：深度强化学习下基于自然语言指令的机器人导航

    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

  • 变分端到端导航和定位

    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

  • 深度可微规划器实现实际导航

    本研究提出了一种基于不同可微可导规划器的机器人导航方法，用于规划并导航三维环境中的机器人，并考虑实际应用中的限制，该方法是在无需先验知识的情况下从安全的专家示范中训练产生，能够成功地应用于真实机器人的模拟导航。

    Aug, 2021

  • 使用深度学习为分层机器人规划引导抽象化

    本研究介绍了一种使用深度神经网络自动生成机器人特定体系结构进行环境预测和自动计算抽象状态和动作的方法，得到的结果可用于提高机器人的规划性能和可靠性。研究结果表明，所学习的抽象状态和动作可以与一种新型的多源双向分层机器人规划算法配合使用，在测试环境中的计划时间上的表现比现有技术的基准方法提高了近 10 倍。

    Feb, 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

  • 基于价值引导扩散策略的部分可观测环境下的多用途导航

    基于部分可观测性的 2D 和 3D 路径规划中，我们提出了一种多功能的基于扩散的方法，通过增加计划预测和状态估计，以及最佳计划选择策略和点云映射技术，优于传统自回归和基于扩散的方法，并实现从 2D 到 3D 的零 - shot 转移。

    Apr, 2024

  • 自适应信息路径规划的深度强化学习与动态图

    自适应在线路径规划和深度强化学习的无人机机器人在未知环境中更高效地探测目标。

    Feb, 2024

  • 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