大规模环境中动态障碍下的自主 3D 探索
本文章提出了一种基于 ROS 框架的混沌路径规划应用程序,该程序通过提供避障技术、混沌轨迹分散和准确覆盖计算等技术,解决了对于限制目标的自主搜索与遍历任务的三大关键问题,其性能可与传统最优路径规划器相媲美,并在多种大小、形状和障碍物密度的真实环境与 Gazebo 模拟中进行了测试。
May, 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
基于 LiDAR 的目标寻找和探索框架,解决了在不规则环境中在线避障的效率问题,并通过利用缓冲区域进行动态障碍的在线构建以及安全导航,实现了机器人在多障碍动态环境中高效、安全地达到目标位置。
Feb, 2024
Dynamic Channels 是一种在机器人密集人类环境中进行实时导航的新方法,能够通过在三角空间中基于图搜索来解决路径规划问题,考虑障碍物动态并高效地捕捉环境变化,具备较高的效率和性能,并可用于动态障碍物避免。
Mar, 2019
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
我们提出了一种基于多智能体强化学习的新颖集中训练与分散执行方法,用于在线解决动态避障问题。改进方法采用模型预测控制的思想提高智能体的训练效率和样本利用率,并通过模拟、室内和室外环境的实验结果验证了方法的有效性。
Oct, 2023
本文提出了一种两步架构,通过结合监督学习和强化学习来处理动态避障任务。第一步,我们采用数据驱动方法使用循环神经网络估计障碍物的碰撞风险,以解决非线性障碍物移动的鲁棒性问题。第二步,我们将这些碰撞风险估计值纳入强化学习智能体的观察空间,以增加其环境感知能力。我们通过在具有多个障碍物的复杂环境中训练不同的强化学习智能体来展示我们的两步方法的有效性。实验证明,将碰撞风险指标整合到观察空间中,可以使智能体的奖励性能提升一倍,相当于在考虑的环境中减少一半的碰撞次数。此外,我们还证明该架构的性能改进与所采用的强化学习算法无关。
Nov, 2023
通过在游戏的导航网格上使用基于 Go-Explore 算法的简单启发式算法,以及并行处理器,实现了在测试游戏中发现难以察觉的到达性缺陷和全面探索复杂环境的目的,避免了需要人工演示或了解游戏动态的需求。Go-Explore 在覆盖导航网格和发现地图上的独特位置方面比包括驱动好奇心的强化学习在内的更复杂基线表现更好。
Sep, 2022
通过构建依赖图和分析随机漫步的击中时间,我们设计出了一类逃脱房间环境,评估了不同种类的奖励方法和分层策略对于智能体探索能力的影响,并表明超过某个复杂度的环境需要采用分层方法。
Nov, 2018
针对智能四旋翼无人机,本文提出了一种稳健可靠的自主规划系统,结合动态障碍物的跟踪和轨迹预测实现高效可靠的自主飞行,采用轻量级目标检测算法识别动态障碍物,利用卡尔曼滤波跟踪和估计其运动状态,在规划阶段不仅考虑静态障碍物而且考虑动态障碍物的潜在移动,使用基于 B 样条的轨迹搜索算法生成轨迹,并通过各种约束进一步优化以提高安全性和与无人机运动特征的一致性,在仿真和实际环境中进行实验,结果表明我们的方法能够实时检测和避开动态环境中的障碍物,相较现有方法在可靠性上有更大优势。此外,在自然语言处理(NLP)技术展示出卓越的零样本泛化能力的进展下,更友好的人机交互变得可行,本研究还探索了自主规划系统与大型语言模型(LLMs)的集成。
Nov, 2023