Apr, 2024

基于强化学习的机器人路径规划研究

PDF
TL;DR本研究基于视觉 SLAM 进行了机器人路径规划的研究，主要工作包括构建基于 ORB-SLAM3 系统的密集点云地图、将点云地图转换成适用于二维路径规划的格网地图、以及基于强化学习的路径规划算法研究。实验验证了设计的视觉 SLAM 系统的可行性和有效性，并在相同实验条件下对三种强化学习算法进行了比较验证，得到了在实验条件下最优的算法。
发现论文，激发创造
  • 基于前沿探索的强化学习及其自治环境

    本研究提出将探索 ORB 与强化学习方法相结合，通过奖励规则，优化 frontiers 的探测，提高 SLAM 在自主机器人的应用的精度和效率，并使用 Gazebo 进行了实验验证。

    Jul, 2023

  • 基于强化学习的移动机器人局部路径规划

    评估了具有深度 Q-Learning 和 Deep DQN 结构的机器学习算法，以解决自主移动机器人避开障碍物的路径规划问题。

    Oct, 2023

  • 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

  • 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

  • 自适应信息路径规划的深度强化学习与动态图

    自适应在线路径规划和深度强化学习的无人机机器人在未知环境中更高效地探测目标。

    Feb, 2024

  • 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

  • 基于强化学习的行为规划与采样运动规划的自动驾驶集成

    本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

    Apr, 2023

  • 基于强化学习的自主机器人导航研究

    基于强化学习的自主导航方法，采用深度 Q 网络（DQN）和近端策略优化（PPO）模型，通过机器人与环境的连续交互和实时反馈奖励信号，对路径规划和决策过程进行优化，提高机器人在未知环境中的导航能力和自适应性。

    Jul, 2024

  • 强化学习路径规划：在 RoboCup 小型联赛环境下的最优机器人运动规划

    研究了强化学习 (RL) 在动态 RoboCup 小型联赛 (SSL) 中解决机器人运动规划挑战的潜力。通过启发式控制方法，评估了 RL 在无障碍和单障碍路径规划环境中的有效性。消融研究揭示了显著的性能改进。相比基准算法，我们的方法在无障碍环境中获得了 60% 的时间节省。此外，我们的研究结果表明了动态障碍物的避让能力，在移动方块周围熟练导航。这些发现突显了 RL 在具有挑战性和不可预测的 SSL 环境中增强机器人运动规划的潜力。

    Apr, 2024

  • 自主车辆运动规划深度强化学习调查

    本文研究了在自动驾驶车辆领域中，传感器技术、通信、安全、人工智能、机器学习、路线规划等多方面的应用，重点阐述了一种基于深度强化学习的层次运动规划方法，并以车跟、车道保持、轨迹跟踪、融合和交通压力等不同场景的自动驾驶为例，总结了现有解决方案的优缺点并提出未来研究方向和挑战。

    Jan, 2020