自适应元学习用于 Rover - 地形动力学识别
这篇论文提出了一种新的半监督方法来对腿式机器人进行地形分类,避免了对长变长数据集的预处理,采用堆叠式长短时记忆架构和新型的损失正则化方法,解决了现有问题并提高了准确性。与现有架构的比较显示出了改进。
Mar, 2024
在自主导航设置中,考虑到变化,我们开发了一种新颖的综合地形和机器人信息的前向动力学模型 TRADYN,它基于神经过程的元学习前向动力学模型,能够适应各种变化情况,并在实验中表现出更好的长时轨迹预测和导航计划性能。
Jul, 2023
在空间探索中,地形分类是一项重要任务,其中无法预测的环境难以仅依靠外部感知传感器(如视觉)进行观测。通过引入神经网络分类器,可以实现高性能,但由于缺乏透明性,这使得它们在任务规划中做出重要决策时不可靠。本文提出了一种带有不确定性量化的神经网络地形分类方法。我们通过在时间序列可用体系结构中使用只有本体感知数据作为输入的蒙特卡洛 Dropout、DropConnect 和 Flipout,使神经网络得以提高。我们使用超带状贝叶斯优化进行高效的超参数优化,以找到值得信赖的地形分类的最佳模型。
Jul, 2024
提出一种适用于自主驾驶的、适应于车辆周围复杂地形信息的、六自由度动态学模型,并设计出相应的安全稳定的模型预测控制器。仿真实验表明,相比基线模型,该模型 - 控制器组合表现出更好的高速行驶性能,具备较高的安全性和稳健性。
May, 2023
本文提出了一种适用于机器人的新的元学习方法,结合了基于演化策略的元学习和更具噪声容忍度的 Batch Hill-Climbing 适应算子,显著提高了机器人在高噪声环境下的动态变化适应能力。在测试时,我们的方法比基于梯度的方法性能更好,使机器人能够在不到 3 分钟的实际数据基础上适应变化。
Mar, 2020
本研究旨在提出一种模型基础的强化学习元学习方法,以在明显减少样本数量的情况下实现机器人在线适应新任务,并证明该方法在模拟和实际机器人中的有效性。
Mar, 2018
METAVerse 是一个元学习框架,通过利用多环境驾驶数据训练一个全局模型,从稀疏的 LiDAR 点云中生成稠密连续值的成本地图来准确可靠地预测不同环境下的地形可通行性,结合模型预测控制器,实现了在结构化和未知地形上安全稳定的导航。
Jul, 2023
通过学习地形性质直接获取数据,本研究以有效地量化离散牵引分布和牵引预测潜在特征的概率密度,利用证据深度学习参数化与网络输出的狄利克雷分布,并提出了一种新颖的风险感知和平方地球移动距离损失,通过模拟最坏情况下的牵引来处理不确定性,惩罚通过具有高认知不确定性的地形的轨迹,并在仿真中广泛验证以及在轮式机器人和四足机器人上进行比较,显示出改进的导航性能。
Nov, 2023
该篇论文呈现了一种自主方法,用于在火星探测器图像中聚类沉积纹理,以便创建详细的地形类别数据集和地质分析,取得了较高的准确性和地质效验,为火星地形分类的快速识别提供了有前途的方法,并为实现生产大规模、细粒度和公开可用的火星地形识别数据集的长期目标开辟了道路。
Apr, 2022
应用深度学习算法解决了地面移动机器人中的两个关键问题,并比较了传统机器学习方法和深度神经网络的性能表现以及体现网络结构的调参参数对于结果的影响。
Jun, 2018