本文介绍了如何利用强化学习算法设计智能的微型游泳机器人,实现在复杂液体环境下的自主适应行为与最优策略的学习。
Jan, 2017
研究开发出了智能螺旋状磁性水凝胶微型机器人,并通过深度强化学习算法自主推导出控制策略,使其在未经表征的仿生流体环境下受控于三维电磁铁阵列产生的变时磁场游泳。
Jan, 2022
利用强化学习控制策略,将声学力学用于微型机器人的导航,通过第二辐射力及微泡聚集优势,成功地实现了微泡在微流体环境下的自主声学导航,为制造具备计算智能并能在非结构化环境中独立导航的智能微纳机器人提供了基础支持。
Sep, 2022
探究强化学习在生物系统中的应用,以了解智能体的信息处理方式,研究其在趋化性游动中的应用和策略。
Apr, 2024
本文研究了如何使用有限的传感能力控制一组合作智能体,使用了基于演员 - 评论家算法的深度强化学习以近似 Q 值函数和策略评估,评估了在寻找和维持距离和定位目标方面的性能。
Sep, 2017
基于强化学习算法的分布式多机器人编队控制,并采用 DDQN 算法,通过离散机器人运动来适应连续非线性系统,无需复杂数学模型和非线性控制器即可在模拟和实验中实现稳定编队。
Jun, 2023
本研究提出一种基于深度强化学习的自主建模人工群体的方法,以解决手动创建过程时间复杂且不切实际的问题。该方法通过对静态和动态障碍物及阻力的建模,实现了多目标追踪和鲁棒群体形成,而采用的策略包括动态群体管理、避免障碍与追踪对象及岛屿建模。创新的基于策略的深度强化学习算法取得了显著的结果,表明该方法在复杂环境下显著提高了群体导航和追踪多个目标的能力。
Feb, 2022
本文提出了基于强化学习(RL)的方法来解决移动机器人在密闭空间中与行人互动的导航问题,探索了多个场景下训练准则的可复用性,并在两个真实环境的三维重建中表现出了良好的迁移能力。
Oct, 2020
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
本文研究了多飞行器在恶劣气流环境中的运动控制问题,并提出了一种基于深度强化学习和图形卷积神经网络的解决方法,能够帮助机器人团队实现更好的气流补偿和协同运动。