Mar, 2019

将最优控制与学习相结合，用于新颖环境的视觉导航

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。
model-based controllearning-based perceptionrobot navigationtrajectory planningnovel environments
发现论文，激发创造
  • 在杂乱环境中学习感知敏捷飞行

    提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

    Oct, 2022

  • 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

  • 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

  • 基于感知的控制鲁棒性保证

    利用感知地图控制自主车辆的问题，设计针对该感知方案的闭环系统安全集和稳健控制器，方法是从复杂和非线性的数据中提取一些与状态相关的线性函数预测值，并在适当的稠密状态空间采样下学习参数，以获得有利的泛化性能。在合成示例和 CARLA 的自动驾驶模拟平台上验证了该方法的实用性。

    Jul, 2019

  • 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

  • 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

  • 在真实环境中使用混合策略进行多目标导航

    我们提出了一种混合导航方法，将多对象导航（Multi-ON）任务分解为两个不同的技能：（1）使用经典 SLAM 和符号规划器处理航路点导航，而（2）使用结合监督学习和强化学习训练的深度神经网络处理探索、语义建图和目标检索，我们展示了该方法在模拟和真实环境中相对于端到端方法的优势，并超越了该任务的最先进技术。

    Jan, 2024

  • 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

  • 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

  • 机器人步态导航中的视觉与本体感融合

    利用视觉和本体感底层控制策略开发了一种针对四足机器人的点目标导航系统（VP-Nav），使用本体感反馈确保计划路径的安全性来实现对机械的信息感知。通过使用内置摄像头生成占有空间图和相应的代价图，以到达目标，在速度指令生成器中设置安全顾问模块来对意外障碍进行感知和环境决定的速度限制。

    Dec, 2021