Jul, 2023

基于学习的多智能体系统运动规划中的 CART: 碰撞避免和鲁棒跟踪增强

PDF
TL;DR本文介绍了 CART，一种分析方法，旨在增强一个非线性多智能体系统的基于学习的分布式动态规划策略，独立于学习误差，具有实时的避碰和强鲁棒性保证，并正式推导出安全滤波器和强鲁棒滤波器的解析形式，证明了这些结果进一步扩展到使用收缩理论的一般控制仿形非线性系统。
发现论文，激发创造
  • 具有非线性动力学和有界干扰的可扩展和安全的多智能体运动规划

    我们提出了一种可扩展和有效的多智能体安全运动规划器，通过寻找每个智能体的分段线性路径，解决了丰富的障碍物、高维度、非线性、非完整动力学、执行限制和干扰等挑战，并通过解决混合整数线性规划问题，协调智能体的碰撞避免路径。

    Dec, 2020

  • 无人机安全多智能体运动规划中的不确定性下滤波强化学习

    我们提出一种可行的、基于强化学习和约束控制轨迹规划的无人机多智能体安全运动规划器，可以处理不确定的、杂乱的工作空间，并确保安全性、避免碰撞。该方法能够实时实施，相对于仅基于学习的方法，训练过程更简单，数值模拟和实验证明了该方法的有效性。

    Oct, 2023

  • 深度强化学习中动态决策机构的运动规划

    本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

    May, 2018

  • GIN：自动驾驶中基于图形交互感知约束策略优化

    本文提出了一种基于图卷积网络的互动感知约束优化方法，通过同时训练运动预测和控制模块并共享一个包含社交上下文的潜在表示来鼓励安全驾驶和预测运动。实验结果表明，这种方法在 CARLA 城市驾驶模拟器上具有比基线更好的导航策略和运动预测性能。

    Jun, 2022

  • 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

  • 碰撞避免的不确定性感知强化学习

    本研究提出了一种基于不确定性的模型学习算法，以实现移动机器人学习导航和避免碰撞的目标，该算法可以估计碰撞概率并通过不确定度来控制行进速度，并利用神经网络从传感器中处理原始数据，实验结果表明，该方法能在模拟和真实的四旋翼和遥控汽车中有效地减少训练期间的危险碰撞。

    Feb, 2017

  • 移动机器人避障的安全实践强化学习

    本文提出了一种结合现实强化学习、基于搜索的在线轨迹规划和自动紧急情况干预的高效碰撞避免系统，用于在室内实际环境下的移动机器人安全行驶。实验结果显示该方法比多种基线更优秀，可以实现更高的平均速度、更低的碰撞频率、更高的目标达成率、更小的计算开销和更平滑的整体控制。

    Sep, 2022

  • 多智能体轨迹预测中的避碰绕行

    CAD 是一种用于自动驾驶车辆中运动预测和避免碰撞的实时模拟方法。

    Jun, 2023

  • 基于深度强化学习的分散式非通信多智能体避碰

    该研究提出了一种基于深度强化学习的分散式多智能体碰撞避免算法，该算法利用价值网络来实现高效（即可实时实施）的查询并考虑其他智能体的运动不确定性，与现有碰撞避免策略相比显示出更高的路径质量改进。

    Sep, 2016

  • 具有空间 - 时间感知能力的安全多智能体强化学习：应对复杂场景下的联网自动驾驶车辆

    本文提出了一种使用多智能体强化学习框架 (MARL) 的安全保护平行体系结构来提高连接和自主车辆 (CAV) 系统在复杂驾驶情况下的安全性和效率，并使用 Graph Convolutional Network (GCN)-Transformer 作为空间 - 时间编码器，设立安全屏障并对 CAV 进行安全检查，实验结果显示该方法大大提高了系统安全性和效率。

    Oct, 2022