Sep, 2022

通过深度流形学习的统一控制框架，在避开移动障碍的同时拦截飞行目标

PDF
TL;DR本文提出了一种应用机器人路径规划中的深度流形学习以实现机器人抓取多个运动目标和同时回避多个动态或静态的障碍物的算法框架。通过使用扩散图生成摆脱障碍物所需的移动指令，同时跟踪快速移动的目标。实验结果表明，该方法可以在控制机器人臂的各种操作中取得良好的效果。
robotic armpath planningobstacle avoidanceobject interceptiondeep learning
发现论文，激发创造
  • 基于深度强化学习的避障轨迹规划与鲁棒低层控制方法在机器人操纵器中的应用

    在机器人学中，我们提出了一种集成无障碍深度强化学习轨迹规划器和新颖的自适应低级和关节级控制策略的方法，通过与环境的交互来激活学习阶段，解决了学习基于模型的复杂性和稳定性和安全性之间的挑战。

    Feb, 2024

  • 机械手臂系统学习飞行物体抓取的模块化神经网络策略

    设计了一个模块化框架，使机器人手臂系统能学习如何捕捉飞行物体，通过监督学习和深度强化学习训练模块，实现了高成功率的空中抓取和对干扰和传感器噪声的鲁棒性。

    Dec, 2023

  • 带拓扑流形学习的全身反应避障技术，实现无碰撞人机交互

    通过整体障碍物避难方法结合拓扑流形学习和深度学习的方法，实现了协同机器人在动态约束环境下保障人机冲突自动化避免的方法。

    Mar, 2022

  • 面向无人机有限环境知识的基于记忆的深度强化学习障碍物避难技术

    本文提出了基于深度强化学习和递归神经网络的无人机避障技术，可在未知室内环境中自主避免障碍物，提高了导航距离和推理速率。

    Nov, 2018

  • 四旋翼无人机动态障碍轨迹预测的更安全基于视觉的自主规划系统及其在 LLMs 中的应用

    针对智能四旋翼无人机，本文提出了一种稳健可靠的自主规划系统，结合动态障碍物的跟踪和轨迹预测实现高效可靠的自主飞行，采用轻量级目标检测算法识别动态障碍物，利用卡尔曼滤波跟踪和估计其运动状态，在规划阶段不仅考虑静态障碍物而且考虑动态障碍物的潜在移动，使用基于 B 样条的轨迹搜索算法生成轨迹，并通过各种约束进一步优化以提高安全性和与无人机运动特征的一致性，在仿真和实际环境中进行实验，结果表明我们的方法能够实时检测和避开动态环境中的障碍物，相较现有方法在可靠性上有更大优势。此外，在自然语言处理（NLP）技术展示出卓越的零样本泛化能力的进展下，更友好的人机交互变得可行，本研究还探索了自主规划系统与大型语言模型（LLMs）的集成。

    Nov, 2023

  • 野外快速飞行学习

    提出了一种全新的端到端方法，利用卷积神经网络将嘈杂的传感观测直接映射到避撞轨迹，从而实现四旋翼的高速自主飞行。在模拟训练中，该方法可以实现从模拟到真实环境的零 - shot 迁移，成功地使四旋翼在森林、雪地、脱轨的火车和倒塌的建筑物等复杂环境中高速自主飞行，并优于传统方法。

    Oct, 2021

  • 使用深度神经网络在约束流形上进行快速运动规划

    本文介绍了一种新颖的学习规划框架，探讨了通过利用约束流形和神经规划方法来生成满足任意一组约束的规划，并以短常数时间计算它们的方法。

    Jan, 2023

  • 深度无人机赛车：学习在动态环境中敏捷飞行

    利用卷积神经网络直接映射原始图像到航点和所需速度的强鲁棒性生成，使用路径规划和控制系统生成短的、最小时间轨迹段，测试表明该方法能够在动态环境中准确和稳健地实现无人机的自主飞行，不需要昂贵的硬件和昂贵的图像处理，且比专业的人类驾驶员更加高效。

    Jun, 2018

  • 基于目标驱动的 6 自由度抓取技术在混杂环境下的物体操作

    本研究提出了一种基于部分点云观察的，用于在杂乱场景中规划指定物体 6 自由度抓取的方法，其性能比基线方法高出 17.6%，能够成功清理包含 23 个未知物体和 51 次抓取操作的 9 个杂乱桌面场景，并利用我们学习到的碰撞检查模块来推理有效的抓取顺序，以检索不易到达的物体。

    Dec, 2019

  • 嵌入式 GPU 的小型 UAS 自主避撞机器学习子系统

    本文提出了一种新型 UAS 自主框架 MR-iFLY，它通过深度估计和避碰技术来应对资源受限的机器学习 UAS 自主的挑战，并通过实验结果证明其可用于减少 6G 通信群集节点间的通信开销。

    Dec, 2021