学习辅助无人机降落
该研究介绍了一种基于多模式变压器的深度学习探测器,可为精确自主着陆提供可靠的定位,同时还提出了一种基于深度 Q 网络的强化学习决策模型,该模型在模拟环境中进行训练,然后成功地在真实户外场景中验证其适用性。
May, 2024
本文介绍了一种用于检测和评估四旋翼机器人安全降落潜在地点的新方法,该方法通过整合 2D 和 3D 环境信息,从神经网络 (NN) 获得语义数据以及从视差图获得几何信息,定义了基于几何属性的成本指标,以评估环境中区域的安全性、稳定性和适用性,并实时运行于计算能力有限的四旋翼机器人上,实验证明该方法能够有效评估和识别合适的降落区域,实现四旋翼机器人的安全自主降落。
Nov, 2023
该研究利用深度神经网络和数据增强来训练自主赛道竞速的无人机,表明数据增强对于端到端学习非常重要,并且优化后的神经网络能够在嵌入式硬件上实时运行,适用于实际部署。
Aug, 2017
本文阐述了如何将深度强化学习算法应用于机器人领域,主要关注于以物理模拟平台为基础的无人机飞行任务控制,使用基于 Gazebo 的强化学习框架进行训练,最终成功实现了无人机自主降落的任务
Sep, 2022
使用图像处理技术和简单的深度强化学习(Deep-RL)代理,无需使用复杂的卷积神经网络(CNN)或对比学习(CL),就可以追踪和识别水面结构以进行动态着陆,从而为无人机的主动感知做出了贡献。
Sep, 2022
本文提出了一种基于视觉控制的硬件 - 软件控制系统,可以自主降落多旋翼无人机,使用 LiDAR 传感器测量地面以上的飞行高度,并在 1280 x 720 @ 60 fps 视频流中实时检测带标记的着陆平台,并以 96%的准确率检测了着陆平台,表明重新编程的异构计算系统是解决 UAV 问题的好方案,可以实现相对较低的能耗的实时数据流处理。
Apr, 2020