自主导航强化学习技术基准测试
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
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
此研究比较了两种可学习导航策略(安全和不安全),表明安全策略能够在训练过程中生成具有更大间隙(与障碍物之间的距离)的轨迹,减少碰撞,且不影响整体性能。
Jul, 2023
自主移动机器人在人类空间中导航必须遵守社会规范。本研究提出了一种使用课程学习来改善强化学习社交导航方法的泛化性能的方法。通过使用多种环境类型和多种动力学模型对行人进行建模,逐步增加训练的多样性和难度。研究结果表明,与之前的训练方法相比,使用课程学习进行训练可以取得更好的泛化性能。此外,我们还验证了训练方法在比训练中使用的更大更拥挤的测试环境中的有效性,从而对模型的性能进行更有意义的衡量。
Aug, 2023
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
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
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
本综述论文系统地总结了目前应用于自主导航中的端到端深度学习框架,包括障碍物检测、场景感知、路径规划和控制,并分析了最新的研究状况和评估深度学习方法的实施和测试。该论文强调了导航对于机动机器人、自动驾驶车辆和无人机的重要性,并讨论了深度学习方法在自主导航中存在的局限性、挑战和潜在增长领域。该综述为在自主导航和深度学习领域工作的研究人员和实践者提供了有价值的参考资源。
Feb, 2023
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