Mar, 2019

将最优控制与学习相结合，用于新颖环境的视觉导航

HTML
PDF
TL;DR通过将模型驱动控制与基于学习的感知相结合，本研究提出了一种适用于未知场景下机器人导航的方法，实验结果表明，相比于几何映射和终端学习方法，该方法在处理复杂环境下的目标到达更加可靠和高效。本方法不依赖于对环境的详细、明确的3D地图，适用于低帧率，且具有良好的仿真到真实世界的泛化性能。
发现论文，激发创造
  • 深度特征与拟合Q迭代的视觉伺服学习

    本文基于学习的视觉特征、学习的预测动态模型和强化学习相结合的方法，研究了视觉伺服机制的学习。通过在学习到的视觉特征空间内，代替图像像素和手动设计的关键点，我们演示了该方法可以在样本效率方面获得两个数量级以上的提高，并在复杂的合成汽车跟踪基准测试中表现出了显著的改进。

    Mar, 2017

  • 基于互动回放的机器人导航单次强化学习

    通过基于单次环境遍历构建交互世界模型、预训练视觉特征编码器和随机环境增强的方法，提出了一种在移动机器人上学习导航到固定目标并在已知环境中进行零样本迁移的方法。该方法成功应用于真实环境变化下的导航问题，避免了过拟合问题。

    Nov, 2017

  • 统一地图和基于地标的视觉导航表示

    提出了一种视觉导航的公式，该公式将基于地图的空间推理和路径规划与基于地标的稳健计划执行融合，该公式基于数据学习，能够高效地导航在新颖环境中，针对模拟现实世界环境进行了测试并报告了竞争基线方法的性能提高。

    Dec, 2017

  • 先斩后奏：桥接基于模型和基于模型的无模型强化学习，为规划先进的视觉语言导航

    本文提出了一种新颖的，提前计划的混合增强学习模型，将模型无关的和模型基于的强化学习相结合，以解决实际的视觉语言导航任务，并且实验结果表明，该方法在真实数据集上表现最佳，还具有更好的可扩展性。

    Mar, 2018

  • 使用主动神经SLAM学习探索

    论文介绍了一种名为Active Neural SLAM的模块化和分层方法来学习探索3D环境的策略，并在真实的3D环境中进行实验，结果表明该方法比过去的学习和几何方法更有效。

    Apr, 2020

  • 基于模型的自监督功能距离视觉规划

    本文介绍了一种使用自监督学习方法和动力学模型和距离函数相结合的视觉目标到达方法，可用于训练通用机器人执行多种任务，该方法不需要手动设计奖励函数，仅使用无标签数据进行学习，并表现出较高的性能。

    Dec, 2020

  • GNM: 一种通用导航模型，以驱动任何机器人

    本文研究了如何通过结构相似的多种机器人的数据来训练基于视觉的导航通用目标条件模型，并分析了有效数据共享的必要设计决策，证明了从异构数据集训练的普适策略优于任何单一数据集训练的策略。

    Oct, 2022

  • 通过控制和感知的不确定性最小化，在非结构化环境中进行安全导航

    该研究介绍了一种最小化控制和感知不确定性以确保安全可靠的自主车辆导航的框架，由两个不确定性感知模型组成：基于机器学习的车辆动力学模型和自我监督遍历估计模型。

    Jun, 2023

  • 复杂未知杂乱环境下的GP引导MPPI高效导航

    GP-MPPI是基于在线学习的控制策略，将MPPI与基于稀疏高斯过程（SGP）的局部感知模型相结合，通过构建方差表面来引导机器人在未知、杂乱环境中进行自主导航，确保机器人安全到达目标并避开障碍物。

    Jul, 2023

  • NeuPAN: 直接点机器人导航与端到端基于模型的学习

    NeuPAN是一种实时高精度、无地图、机器人通用和环境不变的机器人导航解决方案，通过将原始点映射到学习的多帧距离空间，并从端到端的模型学习角度解释方案，实现了避免感知到控制的误差传播和可证明收敛性。NeuPAN通过PnP层与回路中的神经元解决高维度的数学模型和各种点级约束，直接从点云生成实时的端到端的可解释物理运动，从而在各种环境中表现出色。

    Mar, 2024