Feb, 2022

基于深度 Q 学习的自主仓库机器人

PDF
TL;DR提出采用深度强化学习和传统的 Q-learning 方法来解决仓库机器人导航，避障和产品摆放等问题，包括针对单机器人，多机器人的情况，成功在二维仿真环境中测试了模型的性能。
warehousesdeep reinforcement learningobstacle avoidanceproduct placementmulti-robot case
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

  • 基于深度 Q 学习的模块化生产环境下的车辆管理

    本文研究了在离散事件模拟环境下，使用基于 Deep-Q 的深度强化学习代理来解决模块化生产设施中的作业车间调度问题。研究发现，相比于传统启发式和成本表等方法，基于 DRL 的代理相当，并且具有更高的噪声稳健性，对于这种类型的调度问题值得尝试。

    May, 2022

  • 用于地面移动机器人低维感知无地图导航的双深度强化学习技术

    本文研究了如何使用深度强化学习和双重深度 Q 神经网络算法来优化无地图导航中移动机器人的导航和避障任务，并证明使用双重深度 Q 结构比简单 Q 结构更有效。

    Jan, 2023

  • 从二维到三维环境中的 Q 学习：利用强化学习模拟自主导航，无需依赖库

    通过实证分析，本研究评估了强化学习代理在不同空间维度中的学习轨迹和适应过程，揭示了强化学习算法在导航复杂的多维空间中的有效性，并对未来研究提出了思考。

    Mar, 2024

  • 基于双重强化学习技术的地面移动机器人增强低维度感知无地图导航

    通过比较分析基于深度 Q 网络（DQN）算法和基于双重深度 Q 网络（DDQN）算法的深度强化学习（Deep-RL）策略，本研究提出了两种不同的方法，旨在增强地面移动机器人的无地图导航能力。这些方法中的智能体利用来自激光范围采样的 24 个测量，以及与目标的位置差异和方向相关的智能体位置数据，通过融合这些数据来影响导航决策，从而最终控制机器人的速度。实验结果表明，相比于简单的 Q 结构，双重深度结构显著提高了移动机器人的导航能力，且无需依赖于复杂的感知输入，如基于图像的方法。

    Oct, 2023

  • 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练

    自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

    Oct, 2023

  • 分散化强化学习多机器人编队控制

    基于强化学习算法的分布式多机器人编队控制，并采用 DDQN 算法，通过离散机器人运动来适应连续非线性系统，无需复杂数学模型和非线性控制器即可在模拟和实验中实现稳定编队。

    Jun, 2023

  • 增强机器人导航：单一和多目标强化学习策略的评估

    本研究通过比较分析单目标和多目标强化学习方法，针对训练机器人在有效避开障碍物的同时有效地导航到目标的问题进行探究。传统的强化学习技术，包括深度 Q 网络（DQN），深度确定性策略梯度（DDPG）和双延迟 DDPG（TD3），在 Gazebo 仿真框架中以随机目标和机器人初始位置等参数在不同环境中进行了评估。然而，在存在多个潜在冲突目标的复杂环境中，这些方法的局限性显现。为了解决这些局限性，我们提出了一种采用多目标强化学习（MORL）的方法。通过修改奖励函数返回一系列与不同目标相关的奖励向量，机器人学习了一种能够平衡不同目标的策略，旨在实现帕累托最优解。这项比较研究凸显了 MORL 在复杂、动态的机器人导航任务中的潜力，为进一步研究可适应性和实用性更强的机器人行为奠定了基础。

    Dec, 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

  • 使用深度强化学习对 UR10e 机械臂进行视觉跟踪和到达学习

    通过应用深度强化学习在工业 UR10e 机器人上的研究，我们发现近端策略优化比深度 Q 学习具有更好、更稳定的策略，而且使用更少的数据。

    Aug, 2023