Nov, 2018

变分端到端导航和定位

PDF
TL;DR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。
deep learningautonomous vehiclepoint-to-point navigationlocalizationprobabilistic
发现论文，激发创造
  • 复杂动态环境下的多模态传感器融合概率端到端车辆导航

    本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

    May, 2020

  • 自主车辆视觉路径导航的一次学习

    本文提出了一种新颖的深度神经网络模型，利用图像转向路径导航，并加入一次性学习来处理数据问题，可以在只展示一次路径并且无需重新训练模型的情况下自主驾驶车辆。与其他候选架构比较后，通过车内和离线测试来验证了该模型的性能。

    Jun, 2023

  • 将算法规划和深度学习相融合用于部分可观测导航

    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

  • 从感知到决策：用数据驱动的方法实现自主地面机器人的端到端运动规划

    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

  • 自主导航深度学习应用和方法的最新进展 —— 一份综述

    本综述论文系统地总结了目前应用于自主导航中的端到端深度学习框架，包括障碍物检测、场景感知、路径规划和控制，并分析了最新的研究状况和评估深度学习方法的实施和测试。该论文强调了导航对于机动机器人、自动驾驶车辆和无人机的重要性，并讨论了深度学习方法在自主导航中存在的局限性、挑战和潜在增长领域。该综述为在自主导航和深度学习领域工作的研究人员和实践者提供了有价值的参考资源。

    Feb, 2023

  • 使用 LiDAR 的预测处理进行机器人定位和导航

    用基于预测处理的感知方法，在不需要编码器读数的情况下，通过对激光传感器的自监督学习，实现了机器人的定位和导航，并通过随机梯度下降对变分自由能的边界进行在线状态估计和导航。

    Sep, 2021

  • 虚拟到实际的深度强化学习：用于无地图导航的移动机器人连续控制

    通过深度强化学习方法训练，可直接应用于未知的虚拟和实际环境中的地面移动机器人的无地图运动规划器。

    Mar, 2017

  • VADv2: 基于概率规划的端到端矢量化自动驾驶

    通过大规模驾驶示范学习人类驾驶行为模型，提出基于概率规划的 VADv2 端到端驾驶模型，解决不确定性问题，在 CARLA Town05 基准测试中表现优异，在没有基于规则的封装的情况下稳定运行。

    Feb, 2024

  • 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

  • 无地图城市导航学习

    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。

    Mar, 2018