Jul, 2023

通过非局部信息提供的预测改进可靠导航在不确定性下的表现

PDF
TL;DR使用非本地可用信息预测进入未知空间的长期目标导航，在部分映射环境中改善可靠性；通过图神经网络依赖于非本地信息进行预测，确保可靠性；在实验证明相比非学习基线和仅使用本地信息的学习参考规划器，成本可降低 9.3％和 14.9％。
reliable navigationgoal-directedpartially-mapped environmentsnon-local informationlearning-augmented model-based planning
发现论文，激发创造
  • 学习使用不确定拓扑地图进行规划

    本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

    Jul, 2020

  • 未知环境中的映射预测运动规划

    本研究提出结合地图预测和运动规划的统一方法，用于安全、高效自主导航未知环境中的动态约束机器人，避免了传统方法在选择中间目标时依赖于启发式方法。通过使用机器人对其环境的观测结果作为背景信息，我们设计了一种基于数据驱动的地图预测方法，将其作为规划轨迹的依据，从而实现了不依赖于边界选择的运动规划。实验表明，相对于朴素的边界追赶方法，本地图预测运动规划策略在减少轨迹所需时间方面有明显改善，并且与使用更复杂的边界选择启发式方法的方法相比，具有更短的计算时间。

    Oct, 2019

  • PEANUT: 预测和导航到未知目标

    本文提出了一种学习环境中空间和语义规律的简单方法，通过从不完整的语义地图中预测未观测对象的位置来实现。该方法可以轻松地使用少量数据进行监督式训练，并可以在没有强化学习的情况下，将模型融入到 ObjectNav 的模块化流程中，该模型在 HM3D 和 MP3D ObjectNav 数据集上取得了最佳成果。

    Dec, 2022

  • 无地图城市导航学习

    该论文提出一种基于深度强化学习的城市级别自主导航模型，采用 Google StreetView 进行环境交互和训练，具备可迁移性和区域特征一致性，实现了在多个城市环境下自主导航到目标位置。

    Mar, 2018

  • 使用 LiDAR 的预测处理进行机器人定位和导航

    用基于预测处理的感知方法，在不需要编码器读数的情况下，通过对激光传感器的自监督学习，实现了机器人的定位和导航，并通过随机梯度下降对变分自由能的边界进行在线状态估计和导航。

    Sep, 2021

  • 变分端到端导航和定位

    通过扩展端到端驾驶网络、定义新颖的可变网络，将深度学习应用于自动驾驶领域，使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位，同时给出了汽车可能采取行动的完整概率分布，并能够在观察到的视觉道路拓扑图和地图之间建立的对应关系基础上，进行粗略姿势定位。

    Nov, 2018

  • 将算法规划和深度学习相融合用于部分可观测导航

    提出了一种机器人系统的新方法，其中一个较大系统的每个构件都表示为可微分的程序，即深度神经网络，应用到一个具有挑战性的部分可观测机器人导航任务中。在预测性模拟实验中，成功训练 Navigation Networks（NavNets）来解决这个具有挑战性的部分可观察的导航任务。

    Jul, 2018

  • 从部分观测中学习预测导航模式

    本文介绍了第一种基于自我监督学习方法来学习从局部观测中推断全局导航模式的方法，并通过使用几何数据增强、预测世界建模和信息理论正则化器等技术，可以预测局部方向软通道概率场，并且可以通过拟合局部方向软通道概率场中的最大似然图来推断全局导航模式，并且实验证明该方法优于现有的两种监督式车道图预测模型。

    Apr, 2023

  • 空间环境下的近似贝叶斯推理

    该论文介绍了一种基于模型的方法，利用概率推理和深度生成模型的方法，解决在空间环境中的定位、绘图、导航或自主探索等问题，并能够灵活地从数据中学习。该方法在两个不同的模拟环境中表现出了与专业最新方法相当的性能。

    May, 2018

  • 基于学习的运动预测中航行地图的探索

    本文提出了一种通过集成导航地图来提高无人驾驶预测周围物体运动的方法，并且针对训练中可用的高清地图提出了一种自适应知识蒸馏的技术，实验表明这些方法可以显著改善预测效果。

    Feb, 2023