Sep, 2022

利用深度强化学习进行无地图水空混合飞行器导航与环境通用化

PDF
TL;DR本文介绍了一种基于最新的 actor-critic 算法的新方法，以解决 HUAUV 的导航和介质转换问题。我们展示了一种双重评论家 Deep-RL 的方法，通过仅使用范围数据和相对定位来提高 HUAUV 的导航性能。我们的 Deep-RL 方法在不同模拟场景中实现了学习的坚实泛化，表现出更好的导航和转换能力，优于以前的方法。
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

  • 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

  • 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

  • 深度 CUPRL: 用于无人机无地图导航的深度图像对比无监督优先表示强化学习

    本研究提出了一种新的方法，使用深度图估计来教授强化学习代理在无人机的无地图导航中执行任务，并结合强化学习和对比学习以应对物理状态 RL 策略效率低下的问题。结果分析表明，我们的 Depth-CUPRL 方法在无地图导航方面的决策制定方面非常有效，并且优于基于像素的方法。

    Jun, 2022

  • 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

  • 水下导航：深度强化学习的挑战性基准

    深度强化学习在应用于真实世界的机器人系统方面具有令人兴奋和有希望的前景。我们提出了一个基于最新的游戏引擎和深度强化学习整合的新的水下导航基准环境，以解决在不可预测和非稳态环境中训练过程中的挑战。我们使用先进的训练技术对这个基准环境进行了广泛的实证评估，取得了有希望的结果。

    May, 2024

  • 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

  • 深度学习用于水下机器人的视觉导航

    本文旨在简要概述深度学习方法在水下机器人的视觉导航中的应用。论文的范围包括利用深度学习方法进行水下机器人的视觉感知、可获得的水下视觉数据集、仿真学习和强化学习方法以及与训练方法相关的分类。除了作为对比例子外，本文不考虑使用深度学习算法处理非视觉数据的水下导航文献。

    Oct, 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

  • CoverNav：基于深度强化学习的非结构化户外环境遮挡跟随导航规划

    提出了一种基于深度强化学习的算法 CoverNav，用于在隐蔽环境下识别和导航无人地面车辆，同时保持低成本轨迹，并在 3D 点云数据、机器人姿态和目标信息生成的高程图上确定最大的隐蔽性，以及通过选择自然障碍物作为遮蔽物来隐藏。

    Aug, 2023