Mar, 2024

NeuPAN: 直接点机器人导航与端到端基于模型的学习

PDF
TL;DRNeuPAN 是一种实时高精度、无地图、机器人通用和环境不变的机器人导航解决方案，通过将原始点映射到学习的多帧距离空间，并从端到端的模型学习角度解释方案，实现了避免感知到控制的误差传播和可证明收敛性。NeuPAN 通过 PnP 层与回路中的神经元解决高维度的数学模型和各种点级约束，直接从点云生成实时的端到端的可解释物理运动，从而在各种环境中表现出色。
发现论文，激发创造
  • 无需地图或指南针的学习：全景目标驱动视觉导航

    本文提出了一种机器人导航系统，采用模仿学习框架在复杂环境下成功导航，使用 RGB 和深度 (RGBD) 信息，可以应对大型环境和多个房间及未知目标的导航，相较于多个基准测试具有更好的性能。

    Sep, 2019

  • 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

  • 从感知到决策：用数据驱动的方法实现自主地面机器人的端到端运动规划

    本文提出了一种基于神经网络的运动规划方法，使用学习演示来训练机器人在动态障碍物环境下进行端到端导航，此方法可通过原始 2D 激光测距数据将目标位置映射到机器人的导航命令。模型已通过模拟和实际测试的方式进行了有效验证与比较。

    Sep, 2016

  • 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

  • PanopticNDT: 高效稳健的全景制图

    提出了一种基于 NDT 映射的高效且稳健的全景映射方法 PanopticNDT，通过在移动机器人上实现实时全景映射，可以以比现有方法更高的细节水平表示全景信息。

    Sep, 2023

  • 可微分 SLAM 网络：学习视觉导航的粒子 SLAM

    通过 Differentiable SLAM Network（SLAM-net）和导航架构，实现以前未见过的室内环境的平面机器人导航，SLAM-net 编码了具有可微分特性的粒子滤波器算法，通过 SLAM 算法反向传播来学习基于任务的神经网络组件。

    May, 2021

  • 将最优控制与学习相结合，用于新颖环境的视觉导航

    通过将模型驱动控制与基于学习的感知相结合，本研究提出了一种适用于未知场景下机器人导航的方法，实验结果表明，相比于几何映射和终端学习方法，该方法在处理复杂环境下的目标到达更加可靠和高效。本方法不依赖于对环境的详细、明确的 3D 地图，适用于低帧率，且具有良好的仿真到真实世界的泛化性能。

    Mar, 2019

  • N$^2$M$^2$: 在未知和动态环境中学习任意移动操作导航

    本研究提出一种名为神经导航移动操控（N$^2$M$^2$）的方法，通过将移动操控任务分解为任务空间中的简化运动生成器和移动基地的训练强化学习代理，同时通过对复杂障碍环境的扩展，可以在未知环境中执行不可见、长视距任务，并立即对动态障碍和环境变化做出反应。

    Jun, 2022

  • 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

  • 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