Jan, 2024

LPAC：可学习的感知 - 动作 - 交流循环及其在覆盖控制中的应用

PDF
TL;DR该研究提出了一个学习型感知 - 行动 - 通信（LPAC）架构，用于分布式机器人群控制问题，通过卷积神经网络处理感知环境、图神经网络实现机器人之间的通信和浅层多层感知器计算机器人动作，并验证该架构在覆盖控制方面超过了标准的分布式和集中式算法，表明 LPAC 架构适用于机器人群的分布式导航以实现协作行为。
发现论文，激发创造
  • 基于图神经网络的异步感知 - 动作 - 通信

    使用分布式图神经网络在异步 PAC 中计算导航行为和生成通信消息的框架，有效地为协同覆盖大环境的大型机器人群体进行导航。

    Sep, 2023

  • 利用弱标记图像推广基于视觉的机器人技能

    研究了机器人感知运动控制策略的广义学习问题，提出了一种称为 GPLAC 的方法来提高机器人策略的泛化能力，结合多任务学习和辅助二进制分类目标，通过卷积神经网络和注意力机制，将交互数据与弱标记的数据集相结合，大大提高了对未知环境的泛化能力。

    Aug, 2017

  • 用于分散式多机器人路径规划的图形神经网络

    本研究提出了一种组合模型，结合卷积神经网络和图神经网络，用于多机器人路径规划中的通讯问题，并在模拟中取得了接近专家算法的性能和有效性。

    Dec, 2019

  • 表示学习与强化学习的混合在动态复杂机器人运动规划中的应用

    混合算法 LSTM 池化和跳跃连接的注意力型离散软演员评论家 (LSA-DSAC) 用于机器人运动规划，取代了基于图的算法并改善了收敛速度。实验证明 LSA-DSAC 在训练和评估中优于最先进的方法，并在实际世界中实施和测试了物理机器人。

    Sep, 2023

  • 多智能体强化学习：实用沟通和控制

    这篇论文提出了一种名为 “Cyber-Physical POMDP” 的模型，将目标导向通信和网络控制相结合，以实现分散的移动机器人的协调，通过联合训练可以显着提高总体性能并可导致通信行动的隐式协调。

    Feb, 2023

  • 探索深度和循环结构用于最优控制

    本文研究了多层神经网络在控制方面的应用，特别是在连续高维动作任务中，通过强化学习训练后实现了控制策略，结果表明可以成功训练具有成千上万个参数的神经网络控制器，并比较了各种不同结构。文章讨论了这一问题与以往有监督知觉任务的区别，呈现了实验结果，并讨论了将深度学习技术应用于控制问题优化的未来方向。

    Nov, 2013

  • CoPAL: 机器人动作的修正规划与大型语言模型

    在全面自主的机器人系统领域，本研究通过提出系统架构来解决复杂开放世界环境中任务与动作规划的挑战，核心是处理生成计划中的物理、逻辑和语义错误的重规划策略。通过在仿真和两个复杂的现实场景中进行实证评估，我们展示了所提出的反馈架构对可执行性、正确性和时间复杂性的有效性。

    Oct, 2023

  • 自主移动控制的两种排队智能故事：启用深度学习算法

    近期研究通过深度学习解决自主移动控制和高效资源管理的问题，其中多主体强化学习和神经 Myerson 拍卖是主要方法。研究回顾了基于多主体强化学习和神经 Myerson 拍卖的自主移动控制，同时强调了二者结合的重要性以实现高效而可信的自主移动服务。

    Jul, 2023

  • 学习通信感知协调的机器人群体模拟

    本研究主要探讨了如何应用基于观察专家演示的控制器学习算法，训练出端到端的神经网络，用于解决协作多智能体系统中的分布式控制问题，实验结果表明，使用通信策略可以有效提高分布式模型的性能。

    Feb, 2023

  • 在杂乱环境中学习感知敏捷飞行

    提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

    Oct, 2022