May, 2022

具备历史信息和交互的多子目标机器人在人群中导航

PDF
TL;DR本文提出了一种基于深度强化学习的多子目标机器人导航方法，采用图神经网络对所有机器人和人类的历史信息进行编码与交互，以提高机器人的预测未来场景的能力，并引入选择模块来减少不可靠位置点的出现，实验结果表明该方法在拥挤的人类环境中能够更好地满足任务需求和避免碰撞。
发现论文，激发创造
  • 基于关注交互图的意图感知机器人人群导航

    本文提出一种基于循环图神经网络和注意力机制的新型 RL 方法，通过捕捉时空中多种交互类型来预测人类行为意图，并将该预测应用于无模型 RL 框架中以避免机器人干扰其他个体，从而在人群中实现机器人的安全、高效导航。

    Mar, 2022

  • 用深度强化学习实现多机器人社交导航的注意力图

    通过结合感知、规划和预测，本研究提出了一种基于深度强化学习的多智能体社会感知导航策略方法，使用基于图的实体交互表示，并利用图神经网络和注意机制进行建模。实验证明，该方法在多个异构人群的复杂环境中能比社交导航深度强化学习单智能体技术更快地学习，并实现了高效的多智能体隐式协调。

    Jan, 2024

  • 基于注意力机制深度强化学习的众人机交互：众人感知的机器人导航

    本文提出一种注意力机制的深度强化学习模型，能够更好地模拟拥挤场景下的人机交互问题，包括人与人的交互作用，实验结果表明该模型优于现有方法。

    Sep, 2018

  • 用低保真度模拟的约束机器人人群导航结构化图网络

    通过使用低保真度的模拟器，我们研究了使用强化学习政策进行约束群体导航的可行性。我们引入了一种动态环境的表示，将人类和障碍物分开表示。我们的方法在模拟和实际环境中显著改善了导航性能。

    May, 2024

  • 在密集人群中建模合作导航

    本文提出了一种模型，通过模拟人 - 人和人 - 机之间的交互，在考虑空间定位的前提下预测机器人在人群中的未来轨迹，对比实验表明该模型对于长时间段内的轨迹预测表现优于现有技术。

    May, 2017

  • 使用强化学习在限制的行人环境下实现机器人导航

    本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

    Oct, 2020

  • 多智能体动态关系推理在社交机器人导航中的应用

    通过系统的关系推理方法和轨迹预测，我们提出了一种适用于多智能体系统的社交机器人导航研究，通过该方法，在密集、互动场景中，在安全性、效率性和社交遵循性方面显著优于最强基准线。

    Jan, 2024

  • 具有深度强化学习的社会感知运动规划

    使用深度强化学习，本文研发了一种尊重人们常见社交规范的导航策略，可以使机器人车辆在行人密集的环境中以人类步速进行完全自主导航。

    Mar, 2017

  • 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

  • 异构机器人系统中的目标搜索与导航优化深度强化学习

    在未知环境中设计了由无人机和无人地面车组成的异构机器人系统，通过深度强化学习算法学习的策略，该系统能够在迷宫状的矿山环境中搜索目标并导航到目标；通过引入多阶段强化学习框架和好奇心模块，促使机器人探索未访问的环境；在仿真环境中的实验证明我们的框架能够训练异构机器人系统完成未知目标位置的搜索和导航任务，而现有基线模型可能无法做到，并且加速训练速度。

    Aug, 2023