走向真正意义上的自主评分
在自主导航的地面机器人领域,现有的研究大多使用真实感的动力学和感知模型,而本篇论文致力于通过在仿真环境中进行端到端的训练,减小模型在现实机器人平台上的差距,并取得了显著的性能和稳健性的提升。
Jan, 2024
自主车辆需要行驶超过 110 亿英里以确保其安全性。因此,在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来,以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布,标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架,该框架可以生成不同的二维地面脚本代码,用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示,实验者可以使用该场景进行导航算法模拟测试。
Jul, 2024
探究了一种称为 “Domain Randomization” 的技术,该技术使用非真实随机纹理来训练深度神经网络对象定位器,使得该定位器在真实环境中表现出色,并且可以应用于机器人控制中。
Mar, 2017
本文提出一种深度强化学习算法,将模拟数据和真实世界数据相结合,通过学习机器的动力学和建立一个可扩展的感知系统,让四旋翼机器人仅凭单目相机避免碰撞,并在各种光线和几何条件下,用一个小时的真实世界数据就能在新环境中避免碰撞。
Feb, 2019
我们将最先进的规划和控制系统与卷积神经网络相结合,实现了自主机器人在动态环境中的高速飞行和对感知目标的实时认识,无需进行任何调整,同时通过领域随机化生成大量的模拟数据,使我们的系统对光照和目标出现变化具有鲁棒性,实现了在敏捷无人机飞行任务中的零次模拟到实际的成功展示。
May, 2019
本文提出并分析了一种基于任务导向探索的框架,该框架通过在模拟环境中学习任务导向的探索策略来标识任务相关的系统参数,并将这些参数用于在现实世界中进行基于模型的轨迹优化。实验表明,任务导向的探索有助于在系统参数未知时,使基于模型的策略适应更好,从而实现更好的任务表现。
Jun, 2020
本篇研究提出了一个基于真实驾驶环境的 MDP 框架,使用多智能体学习算法来实现对自动驾驶车辆的训练,并提出了可靠的初始化、数据增强和训练技术来实现最小化的视频数据和培训,最终在 TORCS 虚拟驾驶环境中得到了验证。
Nov, 2022
本研究探讨了如何利用自动生成的抓取方法来解决机器人在实际环境中获取对象的问题,并就域随机化、从仿真到实际的转移性等问题进行了分析和研究。
Oct, 2023
机器人学中的评估与模拟环境之间的控制和视觉差异是可靠的模拟评估的关键挑战,在创建适用于常见真实机器人设置的 SIMPLER 模拟环境的基础上,我们证明了在这些环境中的政策表现与真实世界中的表现之间的强相关性,同时准确反映了真实世界的政策行为模式,通过我们的工作流以及开源的 SIMPLER 环境,促进了通用操作策略和模拟评估框架的研究。
May, 2024