Sep, 2022

利用深度强化学习实现无人机的主动感知

PDF
TL;DR使用图像处理技术和简单的深度强化学习（Deep-RL）代理，无需使用复杂的卷积神经网络（CNN）或对比学习（CL），就可以追踪和识别水面结构以进行动态着陆，从而为无人机的主动感知做出了贡献。
unmanned aerial vehiclesactive perceptiontrackingdeep reinforcement learningimage processing
发现论文，激发创造
  • 无人机敏捷主动目标感知的强化学习

    本文提出了一种基于深度强化学习的方法，用于规划信息轨迹以增加无人机 (UAV) 发现丢失目标的可能性，以此来解决搜索和救援任务中的活动目标探测问题。

    Dec, 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

  • 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

  • 一种用于无人机自主降落平台的深度强化学习策略

    本文阐述了如何将深度强化学习算法应用于机器人领域，主要关注于以物理模拟平台为基础的无人机飞行任务控制，使用基于 Gazebo 的强化学习框架进行训练，最终成功实现了无人机自主降落的任务

    Sep, 2022

  • 基于导航提议的深度主动感知目标检测

    深度学习已经在机器人视觉任务中取得了显著进展，但大多数现有的深度学习方法依赖于传统的计算机视觉流水线中固有的静态推理范例。最近的研究发现，积极感知通过超越这些静态模式来改善各种模型的感知能力。本文提出了一个通用的监督式积极感知流水线，用于目标检测，可以使用现有的现成目标检测器进行训练，同时利用仿真环境的进展。为此，所提出的方法采用了额外的神经网络架构，在目标检测器置信度不足时估计更好的视点。所提出的方法在 Webots 机器人模拟器构建的合成数据集上进行了评估，展示了在两种目标检测情况下其有效性。

    Dec, 2023

  • 在杂乱环境中学习感知敏捷飞行

    提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

    Oct, 2022

  • 无人机自主降落的多模态学习方法

    该研究介绍了一种基于多模式变压器的深度学习探测器，可为精确自主着陆提供可靠的定位，同时还提出了一种基于深度 Q 网络的强化学习决策模型，该模型在模拟环境中进行训练，然后成功地在真实户外场景中验证其适用性。

    May, 2024

  • 自主多无人机控制下的协作多智能体深度强化学习实现可靠监视

    该研究论文使用基于 CCTV 摄像头的无人机实现对智能城市的安全监测，并通过开发一种多智能体深度强化学习的管理方案，自主补充缺失网络要求，实现可靠的工业监测，该算法具有优于当前最先进算法的覆盖面积、用户支持能力和计算成本。

    Jan, 2022

  • 基于深度强化学习的无人机辅助智能农场网络任务卸载

    本篇论文提出了一种基于深度 Q 学习的决策算法，使得使用 UAV 和多接入边缘计算设备的无线网络能够有效地监测农田，通过图像分类来预防火灾或洪水等情况，并且与 Q 学习和三种基线算法相比，本文方法在监测效果和性能方面表现出了可比较的结果，而且能够比 Q 学习更快地达到收敛。

    Sep, 2022

  • 基于协作强化学习的无人机（UAV）三维轨迹设计及跟踪

    本文研究使用一个主动无人机和四个被动无人机实时定位一个三维目标无人机的问题，并提出了基于 Z 函数分解的强化学习方法，通过优化无人机的轨迹和主动无人机的发送功率，以最大化目标无人机的定位精度。仿真结果表明，所提出的 ZD-RL 方法相对于 VD-RL 和独立深度 RL 方法，可以减小定位误差多达 39.4% 和 64.6%。

    Jan, 2024