Jun, 2022

神经导航：一种神经可信强化学习库

PDF
TL;DR介绍 Neuro-Nav—— 一个开源库，以神经为基础、可行的强化学习作为模型框架，为决策学习和生物学导航等各个领域提供有趣的可复现场景和数据，并展示了使用深度 RL 等方法扩展该工具箱以解决未来研究需求的方法。
reinforcement learningneurosciencecognitionnavigationartificial intelligence
发现论文，激发创造
  • SocNavGym：面向社交导航的强化学习 Gym

    本文介绍了一种名为 SocNavGym 的仿真环境，该环境可以生成各种社交导航情景，并可以与不同的社交奖励信号配合使用以提供评估结果，同时可以训练出具有高度社交合规性的导航智能体。

    Apr, 2023

  • 自主导航强化学习技术基准测试

    本论文介绍了深度强化学习在自主导航中的应用，指出安全性和泛化性等方面的限制，并探讨了四种学习技术及其在新型开源导航基准和实际环境中的应用，以此进行了全面研究。

    Oct, 2022

  • SayNav: 动态规划中基于大型语言模型的导航

    基于大型语言模型的新方法 SayNav，通过建立探索环境的三维场景图，生成高级导航计划，并利用预训练的低级规划器逐步执行，动态生成导航过程中的指令并根据新感知信息不断改进步骤，有效在大规模新环境中定位多个不同物体。

    Sep, 2023

  • 改进社交机器人导航的强化学习训练方式

    自主移动机器人在人类空间中导航必须遵守社会规范。本研究提出了一种使用课程学习来改善强化学习社交导航方法的泛化性能的方法。通过使用多种环境类型和多种动力学模型对行人进行建模，逐步增加训练的多样性和难度。研究结果表明，与之前的训练方法相比，使用课程学习进行训练可以取得更好的泛化性能。此外，我们还验证了训练方法在比训练中使用的更大更拥挤的测试环境中的有效性，从而对模型的性能进行更有意义的衡量。

    Aug, 2023

  • AAA 视频游戏中深度强化学习导航

    在视频游戏中，我们提出使用深度强化学习 (Deep RL) 代替 NavMesh 来实现 NPC 的导航能力，测试表明，在 Unity 游戏引擎中的复杂 3D 环境的表现令人惊讶，成功率至少为 90%。

    Nov, 2020

  • 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

  • 在街景中学习遵循指示

    本研究介绍了一个基于 Google Street View 的任务环境 StreetNav, 该环境结合了模拟环境的实用性和真实环境的挑战性，可用于测试机器学习系统的语言理解、规划、导航和计算机视觉能力，并使用深度强化学习训练算法来实现导航并测试通用能力。

    Mar, 2019

  • FollowNet：深度强化学习下基于自然语言指令的机器人导航

    通过不同的神经网络架构，自然语言指令、视觉和深度输入被映射为机器行动的原语，RL 算法在稀疏奖励下学习状态表示、注意力函数和控制策略。在模拟家庭环境下的自然语言导航中，模型展示出了 30% 的改进和 52% 的成功率。

    May, 2018

  • 利用贝叶斯强化学习辅助导航以避免盲点中的人群

    本研究介绍了一种新的算法 BNBRL+，基于部分可观测的马尔科夫决策过程框架评估不可见区域的风险，并在不确定性下制定移动策略，通过将信念算法与贝叶斯神经网络相结合，根据人类的定位数据以概率推断信念，进一步整合机器人、人类和推断信念之间的动力学，确定导航路径并将社交规范嵌入奖励函数中，从而促进了社会感知导航。通过在各种风险环境中进行实验，验证了 BNBRL + 在导航拥挤环境中具有盲区时的有效性。模型在能见度受限的空间中有效导航并动态避开障碍物的能力可以显著提高自动驾驶车辆的安全性和可靠性。

    Mar, 2024

  • 将算法规划和深度学习相融合用于部分可观测导航

    提出了一种机器人系统的新方法，其中一个较大系统的每个构件都表示为可微分的程序，即深度神经网络，应用到一个具有挑战性的部分可观测机器人导航任务中。在预测性模拟实验中，成功训练 Navigation Networks（NavNets）来解决这个具有挑战性的部分可观察的导航任务。

    Jul, 2018