Aug, 2023

行星车快速且最优的基于学习的路径规划方法

PDF
TL;DR智能自主路径规划的关键是提高行星探测器的探索效率。本文提出了一种基于学习的方法，用于在高程地图中快速搜索最优路径，称为 NNPP 模型。该模型通过大量预注释的最优路径示范中学习起点和目标位置的语义信息以及地图表示，并生成每个像素的概率分布，表示其属于地图上最优路径的可能性。通过计算从 DEM 中获得的坡度、粗糙度和高度差来计算每个网格单元的遍历成本。随后，使用高斯分布对起点和目标位置进行编码，并分析不同位置编码参数对模型性能的影响。在训练后，NNPP 模型能够在新颖的地图上进行路径规划。实验证明，NNPP 模型生成的导航场能够在相同硬件条件下显著缩短寻找最优路径的时间，并且 NNPP 的优势随着地图规模的增加而增加。
intelligent autonomous path planninglearning-based methodnnpp modeloptimal pathsexploration efficiency
发现论文，激发创造
  • PPNet: 一种用于端到端近似最优路径规划的新型神经网络结构

    路径规划研究中，由于对初始解敏感且收敛速度较慢，我们提出了一种分为路径空间划分和路径空间中的路点生成的两级级联神经网络，名为 PPNet，用于解决此问题。此外，我们提出了一种名为 EDaGe-PP 的有效数据生成方法，实验结果表明，与其他方法相比，由 EDaGe-PP 产生的数据集训练的 PPNet 的计算时间少于 1/33，成功率提高了约 2 倍。与最先进的路径规划方法相比，我们验证了 PPNet 的性能，结果表明 PPNet 可以在 15.3 毫秒内找到接近最优解，远远快于最先进的路径规划器。

    Jan, 2024

  • 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

  • 神经势场的避障局部运动规划

    使用神经潜力场的模型预测控制方法在移动机器人平台上提供局部运动规划，通过神经网络模型基于机器人姿态、障碍地图和机器人足迹返回可微的避碰成本。实验证明该方法与现有的局部规划方法相当，提供的轨迹平滑性较好，并与障碍物保持安全距离，而且在 Husky UGV 移动机器人上能够实现实时和安全的局部规划。

    Oct, 2023

  • 寻找前进的方向：以语言为导向的语义地图导航器

    本文介绍了地图 - 语言导航任务，引入了基于给定三维语义地图的自然语言指令的路径规划和区分模型 (iPPD)，并提出了适用于语义地图的新型路径特征编码方案和基于注意力机制的语言驱动鉴别器，相较于单步贪婪决策方法和单步模仿学习方法，在未知环境中具有 17% 的导航成功率和 0.18 的路径匹配度的性能提升。

    Mar, 2022

  • 基于深度强化学习的地面车辆越野路径规划多目标优化

    该论文提出了一种基于深度强化学习的 2.5D 多目标路径规划方法，包括将高分辨率 2.5D 地图转换为小规模地图，使用深度 Q 网络（DQN）在小规模地图上找到期望路径，最后使用路径增强方法将规划路径建立到原始高分辨率地图上，模拟结果表明该方法能够有效完成 2.5D 路径规划任务，并具有良好的推理能力。

    May, 2023

  • 端到端可解释的神经运动规划器

    本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

    Jan, 2021

  • 无人机主动分类的在线信息路径规划

    本文介绍了一种利用无人机进行主动分类的信息路径规划框架，应用于精准农业的杂草检测。它利用全局视点选择和进化优化相结合，在连续的三维空间中优化计划轨迹，同时考虑动态约束；基于占用格子模型对农田中杂草的存在进行建模，并根据信息理论目标生成自适应计划，使无人机高效地收集数据。仿真结果表明，与传统的均匀覆盖方法相比，在同样的时间内建立了熵较低的地图。

    Sep, 2016

  • 物理知识引导的神经运动规划的渐进式学习

    提出了一种新的 Eikonal 方程组合方式和逐步学习策略，用于在复杂、杂乱、多高维机器人运动规划情境中训练神经网络。实现结果表明，该方法在计算规划速度、路径质量和成功率方面均显著优于最先进的传统 MP、数据驱动 NMP 和物理信息 NMP 方法，并且可缩放到多个复杂、杂乱情境以及狭窄通道的实际机器人执行情境。

    Jun, 2023

  • 基于强化学习的移动机器人局部路径规划

    评估了具有深度 Q-Learning 和 Deep DQN 结构的机器学习算法，以解决自主移动机器人避开障碍物的路径规划问题。

    Oct, 2023

  • MLNav: 学习在火星地形上安全导航

    本研究提出了一种利用机器学习增强路径规划的方法，能够在完全考虑安全约束的前提下提高路径规划的效率并减少计算成本，实验证明该方法可以适用于在复杂环境中操作的资源受限的系统，例如在火星上导航的探测车。

    Mar, 2022