Dec, 2022

移动目标的学习控制策略主动分类

PDF
TL;DR本文提出了一种基于注意力机制的强化学习架构，通过计算控制输入，移动无人机到最优视角收集多个运动目标的语义信息，填补了 ' 黑匣子 ' 分类器无法对视角和输出建立分析关系的巨大空白。结果显示，该算法不仅优于多个基线算法，而且在未见过训练场景的情况下也具有泛化能力。
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

  • 基于 MPC 引导的策略搜索学习自主飞行器深度控制策略

    模型预测控制与强化学习相结合并在引导策略搜索框架下应用，通过使用机载传感器数据在训练时间内训练神经网络策略，该策略可成功地控制四旋翼飞行器的避障而无需系统完整状态知识。

    Sep, 2015

  • 基于视觉的自主无人机赛车的深度感觉运动策略学习

    通过学习深度的感知动作策略，使用对比学习从输入图像中提取固定特征表示，通过两阶段的作弊式学习框架训练神经网络策略，将视觉驱动的自主无人机竞赛问题转化为了提取原始图像的特征表示进行控制命令推断，无需全局一致的状态估计、轨迹规划和手工控制设计。该方法不仅可使控制策略更具有鲁棒性，而且可以实现与状态法相同的赛车性能，为开发纯靠图像输入控制无人机的智能视觉自主系统铺平了道路。

    Oct, 2022

  • AirCapRL：使用深度强化学习实现自主航空人体运动捕捉

    本文提出了一种基于强化学习的多机器人编队控制器，用于自主空中人体运动捕捉。将此问题视为顺序决策问题并使用深度神经网络的强化学习方法进行解决，以实现基于视觉的运动捕捉目标，并利用 PPO 训练随机分散控制策略以进行编队控制。在模拟环境中进行了广泛的模拟实验以验证该方法的有效性。最后，真实机器人实验表明我们的策略具有很好的泛化性能。

    Jul, 2020

  • 基于主动感知的多无人机编队控制

    文章介绍了一种基于多个微型飞行器的自主动作捕捉系统，该系统采用主动协同检测和跟踪方法，以实现最优的视角配置，从而最小化被追踪人的 3D 位置估计的不确定性，并采用 Gauss 观测模型和外部控制输入等方法进行了多项实验和模拟比较。

    Jan, 2019

  • 利用深度强化学习实现无人机的主动感知

    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。

    Sep, 2022

  • 基于点云强化学习的主动搜索和覆盖

    这篇研究论文介绍了一种使用端到端的深度强化学习解决方案来优化移动 3D 传感器的轨迹，以便在整体场景中找到特定的物体并被点云覆盖，实现尽快的目标搜索和覆盖。

    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

  • 视觉先见：基于模型的深度强化学习在基于视觉的机器人控制中的应用

    本文提出了一种实用于实际机器人任务 -- 如机器人操作 -- 的深度强化学习算法，并在无人监督的情况下使用自我监督的基于模型的方法来训练预测模型，通过选择指定像素、目标图像或图像分类器作为目标设定方法，探索实现前所未见的任务和物体的普遍泛化。

    Dec, 2018

  • 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