Sep, 2022

移动机器人基于低维感知导航的深度强化学习的确定性和随机分析

PDF
TL;DR本文比较了 Deep Deterministic Policy Gradients (DDPG) 和 Soft Actor-Critic (SAC) 两种 Deep-RL 技术在无地图导航移动机器人的表现，我们通过量化数据结果展示神经网络架构对学习的影响，结果表明，随机策略映射 (SAC) 更适合于深层结构，而确定性策略映射 (DDPG) 更适合于浅层结构。
发现论文，激发创造
  • 基于双重强化学习技术的地面移动机器人增强低维度感知无地图导航

    通过比较分析基于深度 Q 网络（DQN）算法和基于双重深度 Q 网络（DDQN）算法的深度强化学习（Deep-RL）策略，本研究提出了两种不同的方法，旨在增强地面移动机器人的无地图导航能力。这些方法中的智能体利用来自激光范围采样的 24 个测量，以及与目标的位置差异和方向相关的智能体位置数据，通过融合这些数据来影响导航决策，从而最终控制机器人的速度。实验结果表明，相比于简单的 Q 结构，双重深度结构显著提高了移动机器人的导航能力，且无需依赖于复杂的感知输入，如基于图像的方法。

    Oct, 2023

  • 用于地面移动机器人低维感知无地图导航的双深度强化学习技术

    本文研究了如何使用深度强化学习和双重深度 Q 神经网络算法来优化无地图导航中移动机器人的导航和避障任务，并证明使用双重深度 Q 结构比简单 Q 结构更有效。

    Jan, 2023

  • 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

  • 自主驾驶的深度强化学习

    本研究旨在利用深度确定性策略梯度算法来应对自主驾驶中复杂的状态和行动空间，我们选择 The Open Racing Car Simulator (TORCS) 来模拟实验环境，并选择适宜的传感器信息设计奖励机制并建立 DPPG 模型，实验结果表明模型在多种场景下均取得了良好的效果。

    Nov, 2018

  • 基于强化学习的自主机器人导航研究

    基于强化学习的自主导航方法，采用深度 Q 网络（DQN）和近端策略优化（PPO）模型，通过机器人与环境的连续交互和实时反馈奖励信号，对路径规划和决策过程进行优化，提高机器人在未知环境中的导航能力和自适应性。

    Jul, 2024

  • 表示学习与强化学习的混合在动态复杂机器人运动规划中的应用

    混合算法 LSTM 池化和跳跃连接的注意力型离散软演员评论家 (LSA-DSAC) 用于机器人运动规划，取代了基于图的算法并改善了收敛速度。实验证明 LSA-DSAC 在训练和评估中优于最先进的方法，并在实际世界中实施和测试了物理机器人。

    Sep, 2023

  • 面向移动机器人的深度强化学习认知探索

    本文提出了一种使用深度强化学习方法，利用 RGB-D 传感器在室内环境中探索移动机器人的方法，通过对特征表示的感受野进行分析，深度强化学习促进了卷积网络估计场景的遍历性，实验结果表明，采用该方法训练的机器人控制器在真实环境中的认知能力显著提高。

    Oct, 2016

  • 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

  • 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

  • 基于强化学习的移动机器人局部路径规划

    评估了具有深度 Q-Learning 和 Deep DQN 结构的机器学习算法，以解决自主移动机器人避开障碍物的路径规划问题。

    Oct, 2023