Feb, 2022

动态障碍物下的 3D 环境自主无人机群导航与多目标跟踪

PDF
TL;DR本研究提出一种基于深度强化学习的自主建模人工群体的方法，以解决手动创建过程时间复杂且不切实际的问题。该方法通过对静态和动态障碍物及阻力的建模，实现了多目标追踪和鲁棒群体形成，而采用的策略包括动态群体管理、避免障碍与追踪对象及岛屿建模。创新的基于策略的深度强化学习算法取得了显著的结果，表明该方法在复杂环境下显著提高了群体导航和追踪多个目标的能力。
autonomous modelingdeep reinforcement learningswarm navigationcomplex environmentstarget tracking
发现论文，激发创造
  • 使用深度强化学习的机器人路径规划

    本文介绍了如何使用强化学习方法和深度 Q 网络等算法，使得机器人可以在未知环境中进行自主导航的任务。我们还利用模拟环境对机器人代理的行为和性能进行了验证和分析。

    Feb, 2023

  • 深度无人机赛车：学习在动态环境中敏捷飞行

    利用卷积神经网络直接映射原始图像到航点和所需速度的强鲁棒性生成，使用路径规划和控制系统生成短的、最小时间轨迹段，测试表明该方法能够在动态环境中准确和稳健地实现无人机的自主飞行，不需要昂贵的硬件和昂贵的图像处理，且比专业的人类驾驶员更加高效。

    Jun, 2018

  • 基于 Q-learning 的无人机群障碍物环境路径规划系统

    本文论述了如何使用基于强化学习的 Q-learning 算法来解决具有障碍物的环境下，多 UAV 自主控制的路径规划问题。实验表明，该系统在实现完全覆盖目标区域的同时，能够以较少的动作数节约路径长度和能源消耗。

    Mar, 2023

  • 多智能体强化学习下的动态避障无人机路径规划

    我们提出了一种基于多智能体强化学习的新颖集中训练与分散执行方法，用于在线解决动态避障问题。改进方法采用模型预测控制的思想提高智能体的训练效率和样本利用率，并通过模拟、室内和室外环境的实验结果验证了方法的有效性。

    Oct, 2023

  • 基于端到端强化学习的四旋翼群体的避障和导航

    在包含障碍物的环境中，我们提出一种使用端到端深度强化学习（DRL）控制无人机群的方法，该方法通过提供课程和剪辑碰撞情景的重放缓冲区来改善性能，并且实现了对邻居机器人和障碍物交互的注意机制。这是首次成功地将该机制应用于在计算资源受限的硬件上部署的群体行为策略，我们的方法可以在模拟环境中实现 32 架机器人并达到 80％的障碍物密度，在实际物理环境中可以实现 8 架机器人并达到 20％的障碍物密度，并且可以零 - shot 地转移到真实的无人机上。

    Sep, 2023

  • 利用强化学习导航微型机器人群体以进行定向输送

    本研究使用强化学习算法 (PPO 和 RPO) 来控制微型机器人群在水力影响下到达目标。研究表明课程学习可以提高性能，并展示了在控制 25 个游泳器协同机动方面 RL 模型的能力。

    Jun, 2023

  • 深度强化学习中动态决策机构的运动规划

    本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

    May, 2018

  • 动态网络桥接的分布式自主群体形成

    机器人系统，群体操作，网络桥接，多智能体强化学习和实际应用转化的问题和方法。

    Apr, 2024

  • 使用视觉无人机群进行协作目标搜索：一种自适应嵌入多阶段强化学习方法

    本文提出了一种新的数据高效强化学习方法（Adaptive Curriculum Embedded Multi-Stage Learning，ACEMSL）来解决协作目标搜索的挑战，该方法可在可视无人机群中实现协作任务，并通过模拟和实际飞行测试验证了其有效性和泛化能力。

    Apr, 2022

  • 群体系统的引导深度强化学习

    本文研究了如何使用有限的传感能力控制一组合作智能体，使用了基于演员 - 评论家算法的深度强化学习以近似 Q 值函数和策略评估，评估了在寻找和维持距离和定位目标方面的性能。

    Sep, 2017