Sep, 2019

无需地图或指南针的学习：全景目标驱动视觉导航

PDF
TL;DR本文提出了一种机器人导航系统，采用模仿学习框架在复杂环境下成功导航，使用 RGB 和深度 (RGBD) 信息，可以应对大型环境和多个房间及未知目标的导航，相较于多个基准测试具有更好的性能。
发现论文，激发创造
  • 在逼真环境中学习视觉导航，无需任何监督

    提出了一种无需外部监督或奖励的新方法，通过三个阶段，学习从图像输入进行导航：学习视角的良好表示，然后使用内存进行探索，最后通过设置自己的目标来学习导航。该模型仅使用内在奖励进行培训，因此适用于任何具有图像观察的环境。通过使用 RGB 输入训练代理在具有挑战性的 Gibson 数据集的逼真环境中导航的好处。

    Apr, 2020

  • 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

  • ViNG: 使用视觉目标学习开放世界导航

    提出了一个基于学习的导航系统，该系统应用于实际移动机器人平台，旨在使机器人通过学习来了解环境和导航便利性，以便在视觉引导下实现目标点的导航，经过实地测试和应用，该系统的表现优于其他以强化学习和搜索为基础的方法。

    Dec, 2020

  • 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

  • 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

  • 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

  • 基于 3D 特征场的视觉语言导航的模拟转现实迁移

    通过模拟传递技术，赋予单目机器人全景遍历感知和全景语义理解，从而将高性能全景视觉 - 语言导航模型顺利应用于常见单目机器人，有效提高了机器人在实际环境中的导航性能。

    Jun, 2024

  • 视觉语言导航：在实际环境中解释基于视觉的导航指令

    通过视觉和语言方法的应用，本文提出了一个以真实影像为基础的强化学习环境 Matterport3D Simulator，为现实建筑物的自然语言导航问题提供了第一个基准测试数据集 Room-to-Room (R2R) dataset。

    Nov, 2017

  • 室内环境下机器人实时基于视觉的导航

    本文介绍了一种基于视觉技术和先进路径规划算法的自主机器人导航系统，该系统可以避开障碍物并朝着目的地导航，其性能通过定性和定量指标进行评估，研究结果有助于室内机器人导航的发展。

    Jul, 2023

  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016