Feb, 2024

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 虚拟到实际的深度强化学习: 用于无地图导航的移动机器人连续控制

    通过深度强化学习方法训练，可直接应用于未知的虚拟和实际环境中的地面移动机器人的无地图运动规划器。

    Mar, 2017

  • 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

  • 基于改进近端策略优化的机械臂关节空间障碍物避免

    该研究提出一种新的基于邻近策略优化（PPO）的无模型强化学习方法，用于训练深度策略将任务空间映射到6-DoF机械臂的关节空间，用于解决机器人在随机目标和障碍物下进行的触及任务困难的问题。

    Oct, 2022

  • 通过深度强化学习实现平滑轨迹避碰

    本论文针对DRL导航解决方案中的两个核心问题提出了多种新的代理状态和奖励函数设计，即平滑性训练轨迹和模型泛化能力，利用边缘奖励和平滑度约束来确保无人机平稳飞行，同时大大降低碰撞风险，并演示整个设计和各组件的有效性。

    Oct, 2022

  • 基于深度强化学习的工业机器人路径规划，使用距离传感器作为观测

    本文提出了一种基于深度强化学习的机器人操作器运动规划器，用于解决工业机器人在未知环境下的路径规划问题，实验结果证明其在路径长度和执行时间方面的优越性。

    Jan, 2023

  • PathRL：一种基于深度强化学习的端到端避障路径生成方法

    通过使用深度强化学习(DRL)的机器人导航，可以提高移动机器人的性能。然而，现有的基于DRL的导航方法主要集中于训练一个直接命令机器人进行低级控制的策略，导致机器人在长期执行过程中速度不稳定、轨迹不平滑。我们提出了一种名为PathRL的新型DRL方法，通过训练策略来生成机器人的导航路径，具有更高的成功率和减少了角度旋转变异性的优势，实现了稳定和流畅的机器人移动。

    Oct, 2023

  • 两步式动态避障

    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

  • 面向任务驱动的探索，加速具有时态逻辑任务规范的深度强化学习

    通过自动机表示LTL任务以及部分模拟未知系统动力学的神经网络，我们提出了一种新颖的深度强化学习（DRL）算法，其样本效率得以提高，能够更快速地学习控制策略，以在未知环境中的机器人导航任务中提高效率。

    Nov, 2023

  • 深度强化学习自适应路径约束的探索策略

    提出了一种用于深度强化学习的高效适应性轨迹约束探索策略，利用不完整的离线演示作为参考，引入了一种新的基于策略梯度的优化算法，为单智能体和多智能体强化学习提供了一种自适应剪切轨迹距离奖励的方法。通过对两个大型二维网格世界迷宫和几个MuJoCo任务的实验验证，证明了该方法在实现时间延长的探索和避免短视和次优行为方面的显著优势。

    Dec, 2023

  • 深度强化学习在机器人领域的应用：现实世界成功案例的综述

    本研究解决了深度强化学习（DRL）在机器人应用时面临的复杂性和成本问题。通过对DRL在开发现代机器人能力方面成功案例的综合分析，揭示了其关键因素和未被充分探索的领域，并提出未来研究的方向，重点在于稳定高效的RL范式和整合多种能力的系统性方法。这项工作为RL从业者和机器人研究人员提供了重要的见解，帮助他们利用RL的优势开发更具能力的实际机器人系统。

    Aug, 2024