Jun, 2022

基于深度强化学习的葡萄园无位置自主导航

PDF
TL;DR通过边缘人工智能和深度强化学习相结合的方式，提出了一个利用噪声深度图像和位置不确定的机器人状态信息来实现自动导航的机器人系统，在模拟的葡萄园中进行了充分的实验验证。
precision agriculturerobotic navigationedge aideep reinforcement learningautonomous vineyard navigation
发现论文，激发创造
  • 加强模拟环境下基于行的作物导航基准测试与感知数据生成

    本文介绍了通过使用合成数据集和虚拟场景来加速自主导航系统的开发的方法及其在农业领域的应用。

    Jun, 2023

  • 基于深度学习和对比聚类的行作物路径点生成

    本研究提出了一种基于学习的方法，针对行作物的路径生成问题，通过对区域地图的聚类方法，生成导航路径指向航路点，验证结果表明该方法可以高效地解决路径生成问题并超越之前的模型。

    Jun, 2022

  • 基于深度学习的农业机器人田间导航中的农作物行跟随

    该论文提出了一种利用卷积神经网络进行作物排检测的算法，可以在农田环境中应对各种变化，仅使用 RGB 图像作为输入，并在可视伺服算法中获得更好的性能表现。

    Sep, 2022

  • 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

  • 使用深度强化学习的机器人路径规划

    本文介绍了如何使用强化学习方法和深度 Q 网络等算法，使得机器人可以在未知环境中进行自主导航的任务。我们还利用模拟环境对机器人代理的行为和性能进行了验证和分析。

    Feb, 2023

  • 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

  • VAPOR：离线强化学习下的户外植被全向腿式机器人导航

    通过离线强化学习，基于高度、强度和密度的 3D LiDAR 点云，目标成本图和处理过的自体感知数据作为状态输入，我们提出了一种用于无结构、密集植被的室外环境中自主四足机器人导航的新方法。通过满足机器人运动特性且避免困在植被中，我们的方法在复杂的室外植被中展示了显著的成功率提升、平均功耗减少和轨迹长度正常化减少。

    Sep, 2023

  • 虚拟到实际的深度强化学习：用于无地图导航的移动机器人连续控制

    通过深度强化学习方法训练，可直接应用于未知的虚拟和实际环境中的地面移动机器人的无地图运动规划器。

    Mar, 2017

  • 变分端到端导航和定位

    通过扩展端到端驾驶网络、定义新颖的可变网络，将深度学习应用于自动驾驶领域，使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位，同时给出了汽车可能采取行动的完整概率分布，并能够在观察到的视觉道路拓扑图和地图之间建立的对应关系基础上，进行粗略姿势定位。

    Nov, 2018

  • 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练

    自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

    Oct, 2023