Mar, 2024

从二维到三维环境中的 Q 学习：利用强化学习模拟自主导航，无需依赖库

PDF
TL;DR通过实证分析，本研究评估了强化学习代理在不同空间维度中的学习轨迹和适应过程，揭示了强化学习算法在导航复杂的多维空间中的有效性，并对未来研究提出了思考。
发现论文，激发创造
  • 基于深度 Q 学习的自主仓库机器人

    提出采用深度强化学习和传统的 Q-learning 方法来解决仓库机器人导航，避障和产品摆放等问题，包括针对单机器人，多机器人的情况，成功在二维仿真环境中测试了模型的性能。

    Feb, 2022

  • 自主驾驶的深度强化学习：一份综述

    本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

    Feb, 2020

  • 3D 非静态环境下的持续强化学习

    本文提出了一种基于 ViZDoom 的复杂三维非稳态任务的 CRLMaze Continual 学习策略，可以在非稳态的环境下进行端到端无模型学习，并与其他基线方法相比表现出竞争力。

    May, 2019

  • 使用深度强化学习的机器人路径规划

    本文介绍了如何使用强化学习方法和深度 Q 网络等算法，使得机器人可以在未知环境中进行自主导航的任务。我们还利用模拟环境对机器人代理的行为和性能进行了验证和分析。

    Feb, 2023

  • 动态环境下强化学习算法综述

    本文综述了针对动态环境模型的强化学习方法，目的是在学习过程中最小化奖励损失或找到适当的策略以实现在不断变化的操作条件下智能体的适应，并讨论了这些方法的优缺点以及未来的改进方向。

    May, 2020

  • 使用协作多智能体强化学习在触摸界面上学习 3D 导航协议

    利用强化学习算法，通过人机协作，自动学习一种新的交互协议，从而将二维触控输入映射到虚拟环境下的三维操作，防止用户学习经典的固定交互协议。此外，该方法采用变分自编码器 (VAE) 基于状态表示学习来投影手势轨迹到潜在空间中。

    Apr, 2019

  • 用于地面移动机器人低维感知无地图导航的双深度强化学习技术

    本文研究了如何使用深度强化学习和双重深度 Q 神经网络算法来优化无地图导航中移动机器人的导航和避障任务，并证明使用双重深度 Q 结构比简单 Q 结构更有效。

    Jan, 2023

  • 学习在复杂环境中导航

    利用增强学习问题和多模态感应输入的辅助深度预测和循环闭环分类任务，可以学习从复杂 3D 迷宫中进行导航并接近人类级别表现

    Nov, 2016

  • 基于双重强化学习技术的地面移动机器人增强低维度感知无地图导航

    通过比较分析基于深度 Q 网络（DQN）算法和基于双重深度 Q 网络（DDQN）算法的深度强化学习（Deep-RL）策略，本研究提出了两种不同的方法，旨在增强地面移动机器人的无地图导航能力。这些方法中的智能体利用来自激光范围采样的 24 个测量，以及与目标的位置差异和方向相关的智能体位置数据，通过融合这些数据来影响导航决策，从而最终控制机器人的速度。实验结果表明，相比于简单的 Q 结构，双重深度结构显著提高了移动机器人的导航能力，且无需依赖于复杂的感知输入，如基于图像的方法。

    Oct, 2023

  • 强化学习建模 3D 形状

    本文提出了一种基于深度强化学习的两步神经框架来模拟 Maya 软件中的建模过程，并且采用新颖的训练算法来 efficient 训练模拟器，从而达到模拟生成 3D 模型的效果。

    Mar, 2020