Mar, 2022

自适应风险倾向：基于分布式强化学习的纳米无人机在杂乱环境下的导航

PDF
TL;DR研究如何使安全关键的机器人（如无人机）应用强化学习来评估风险并做出风险感知决策；通过提出分布式强化学习框架实现自适应风险倾向策略，在模拟环境和真实场景下发现最有效的风险倾向是各不相同的，并且自适应风险倾向的代理表现较好。
reinforcement learningsafety-critical robotsrisk assessmentnavigationadaptive policies
发现论文，激发创造
  • 无人机安全多智能体运动规划中的不确定性下滤波强化学习

    我们提出一种可行的、基于强化学习和约束控制轨迹规划的无人机多智能体安全运动规划器，可以处理不确定的、杂乱的工作空间，并确保安全性、避免碰撞。该方法能够实时实施，相对于仅基于学习的方法，训练过程更简单，数值模拟和实验证明了该方法的有效性。

    Oct, 2023

  • 自主无人机导航的强化学习应用：系统综述

    该研究探讨了使用强化学习算法解决无人机导航问题，讨论了不同环境下的算法特性和选择，并提出未来的研究方向。

    Aug, 2022

  • 在杂乱环境中学习感知敏捷飞行

    提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

    Oct, 2022

  • 基于深度强化学习的 无人机无线数据采集路径规划

    该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

    Jul, 2020

  • 飞行中应对杂乱环境的学习敏捷性适应

    通过层次学习和规划框架，利用试错和模型生成轨迹的方法，本研究通过在线无模型强化学习和预训练微调奖励机制来赋予飞行器在未知和部分可观察环境中适应敏捷性的能力，并在仿真和实际硬件验证中证明了该方法比常数敏捷度基准和替代方法在飞行效率和安全性方面的优势。

    Mar, 2024

  • 碰撞避免的不确定性感知强化学习

    本研究提出了一种基于不确定性的模型学习算法，以实现移动机器人学习导航和避免碰撞的目标，该算法可以估计碰撞概率并通过不确定度来控制行进速度，并利用神经网络从传感器中处理原始数据，实验结果表明，该方法能在模拟和真实的四旋翼和遥控汽车中有效地减少训练期间的危险碰撞。

    Feb, 2017

  • 一种用于无人机自主降落平台的深度强化学习策略

    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

  • 一种针对受干扰的无人机鲁棒监控控制的强化学习方法

    本文提出了一种针对无人机的监督强化学习控制方法，通过与现有嵌入式控制交错的控制架构，以及针对恶劣风条件的稳健性表现，实现了对环境扰动的控制，使用 Tarot T-18 八旋翼机进行了案例研究，结果表明相对于大多数车辆中使用的经典级联控制结构，监督强化学习模式在面对未知的风力条件时取得了实质性的性能提高。

    May, 2023

  • 利用空中机器人群体协作深度强化学习方法学习在湍流中导航

    本文研究了多飞行器在恶劣气流环境中的运动控制问题，并提出了一种基于深度强化学习和图形卷积神经网络的解决方法，能够帮助机器人团队实现更好的气流补偿和协同运动。

    Jun, 2023

  • 冒险还是不冒险：基于风险量化的 IoT 任务卸载在 UAV 中的学习

    本文介绍了一种基于 CVaR 的多边形无人机任务卸载决策方法，它利用深度强化学习技术，以及开发一个智能农场物联网环境中 MEC 协同的无人机网络。结果表明，所提出的 CVaR 方法成功地将风险量化，并能训练强化学习智能体避免可能引发农场不可逆后果的高风险行为，这是传统方法所不具备的。

    Feb, 2023