Mar, 2019

机器学习与定量规划的结合：使自主机器人实现自适应

PDF
TL;DR本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法，以应对系统运行期间不一致性的挑战，并在机器人任务中进行了实验。
发现论文，激发创造
  • 从自整定调节器到强化学习再回归

    本文介绍了机器学习和强化学习在控制和规划自主系统行为方面的应用，同时强调在安全关键的环境下要特别注意算法的可靠性和安全性，为控制理论家们提供一个学习该领域的起点。

    Jun, 2019

  • 学习对象属性规划

    本文提出了一种利用符号规划的方法，采用先前的训练数据自动训练神经网络识别物体属性的方法，并使用规划技术来自动化训练数据集的创建和学习过程。最后，我们在模拟和真实环境中进行了实验评估，结果表明所提出的方法能够成功地学习如何识别新的物体属性。

    Jan, 2023

  • 从最优控制中学习敏捷路径

    本文提出了一种通过在最优控制方法的输出上训练机器学习模型来同时解决机器人部署中的运动规划与优化问题的方法。

    Nov, 2022

  • 人机协作适应性的数学模型

    本文概述了机器人与人合作的概率规划和博弈论算法的研究，包括不确定性建模和对人类内部状态和变化的推理，以及在多个实际场景下实现的具体行为。

    Jul, 2017

  • 基于数据驱动的模仿学习规划

    利用数据驱动的模仿学习框架，通过模仿一个清晰的预测者，解决了机器人规划中的优化问题，从而为序列决策制定了更好的战略。在信息不完整的计划问题上进行了验证，包括真实的无人机实验，并且表现优于现有的算法。

    Nov, 2017

  • 实践造就完美：学习技能参数策略的规划

    机器人通过序列化参数化技能来有效决策复杂的、长期的任务。我们提出了一种自主学习方法，通过评估每个技能的能力预测在任务中的能力，并通过能力感知规划将技能应用于任务分布。通过在仿真和现实世界中的实验，我们发现这种方法比其他基线方法能更加高效地学习有效的参数策略。

    Feb, 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

  • 机器人学习的高效监督：基于模仿、仿真和自适应的方法

    本研究旨在通过利用更强大的信息源和从现有数据中提取更多信息的方式，增加数据收集与维护流水线的效率，并着重解决模仿学习、领域自适应和从模拟中进行传输等三个正交方面的问题。

    Apr, 2019

  • 对抗规划

    本文探讨了计算机自主行为中规划算法的安全性问题，通过提出两种敌对规划算法评估了商业应用中两种主流规划算法 D* Lite 和 Fast Downward 的性能，并证明了在任何基于搜索的规划系统中找到最佳扰动都是 NP-hard，同时揭示了规划算法在面对敌对行动时存在脆弱性。

    May, 2022

  • 飞行中应对杂乱环境的学习敏捷性适应

    通过层次学习和规划框架，利用试错和模型生成轨迹的方法，本研究通过在线无模型强化学习和预训练微调奖励机制来赋予飞行器在未知和部分可观察环境中适应敏捷性的能力，并在仿真和实际硬件验证中证明了该方法比常数敏捷度基准和替代方法在飞行效率和安全性方面的优势。

    Mar, 2024