Mar, 2022

使用对称性进化神经网络的无碰撞导航

PDF
TL;DR本论文利用对称神经网络建立一种新的对抗性碰撞避免方法，通过在网络权重之间施加约束以减少模型优化搜索空间，提高车辆转向的控制精度，通过在模拟环境中进行训练和验证，分析了提出的方法并评估了其性能，结果表明该方法的学习曲线和一般化性良好。
collision avoidance systemssymmetric neural networksvehicle steering controlsimulation environmentreactive collision avoidance
发现论文，激发创造
  • 自主驾驶中用于碰撞避免的顺序空间网络

    该研究旨在解决小区域特征相关性问题，提出了一种利用关注机制实现的卷积神经网络算法，在自动驾驶碰撞避免方面的测试表现超过了其他视觉模型。

    Mar, 2023

  • 自动驾驶中双向紧凑空间可分离网络用于避免碰撞

    本文提出一种基于 CNN 和 Bi-LSTM 的自动驾驶决策方法，在序列图像的不同区域之间建立特征相关性来实现避撞，通过摄像头和 LiDAR 传感器生成 “鸟瞰图”，并通过实验表明该方法优于现有的基于视觉的策略，成功率显著提高，同时为自动驾驶提供了有前途的解决方案。

    Mar, 2023

  • 基于神经符号混合方法的驾驶员碰撞警告

    本文介绍了两种实现自主驾驶的算法：深度学习和自适应神经符号网络系统。本研究旨在结合深度学习的目标识别和跟踪技术以及自适应神经符号网络代理来改善物体识别性能，并利用雷达传感器实现了对汽车行驶轨迹的准确检测。

    Mar, 2022

  • 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

  • 基于演化课程训练的 DRL 导航系统训练

    本文介绍了一种名为进化课程训练的新方法，以应对机器人避碰中经常出现的一些挑战，包括在结构化环境中适应多种行人，本方法能够提高深度强化学习模型在此类复杂场景中的成功率和降低平均碰撞率。

    Jun, 2023

  • 多智能体系统学习策略的碰撞避免验证

    通过后向可达性方法验证多智能体神经反馈循环（MA-NFL）的碰撞避免属性，并展示该方法在 10 个智能体系统上的计算可扩展性。

    Mar, 2024

  • 神经隐式扫描体模型用于快速碰撞检测

    通过利用神经隐式扫描体模型，结合深度学习方法快速计算任务空间中任意点与机器人运动之间的有向距离，并结合几何碰撞检测器提供强大的精确性保证，实现了对商业物料拾取应用的加速。

    Feb, 2024

  • 用对称控制神经网络提高模拟精度

    本文通过应用 Hamilton 神经网络来学习和利用物理系统中保守量的对称约束，通过适当的损失函数来实现周期坐标的强制，从而在简单的经典动力学任务中实现了更高的准确性，进而拟合出网络中的隐向量的解析式，从中发现利用了保守量，如角动量。

    Apr, 2021

  • 移动机器人避障的安全实践强化学习

    本文提出了一种结合现实强化学习、基于搜索的在线轨迹规划和自动紧急情况干预的高效碰撞避免系统，用于在室内实际环境下的移动机器人安全行驶。实验结果显示该方法比多种基线更优秀，可以实现更高的平均速度、更低的碰撞频率、更高的目标达成率、更小的计算开销和更平滑的整体控制。

    Sep, 2022

  • 带拓扑流形学习的全身反应避障技术，实现无碰撞人机交互

    通过整体障碍物避难方法结合拓扑流形学习和深度学习的方法，实现了协同机器人在动态约束环境下保障人机冲突自动化避免的方法。

    Mar, 2022