基于区块链的视觉导航方法,支持视觉回归、适应路径选择以及异构机器人团队的可信一致性。
Oct, 2023
本文研究了移动机器人的自主导航问题,通过异步教学和重复的策略,结合视觉处理和硬件测距的信息,实现了对室内和室外复杂环境的有效导航和运动控制,并且在不同机器人平台之间具有较好的通用性和重复性。
Oct, 2020
本文比较了虫子灵感启发的稀疏神经网络 FlyHash 模型与类似但不稀疏的模型在体感导航任务中的效率,并得出结论:FlyHash 模型在数据编码方面尤其高效。
Mar, 2023
通过仿生学方法,利用视觉流量分歧的微距离航空器降落的演进尖峰神经网络进行控制,展示了控制环路中脉冲神经网络在真实世界中的实际应用,并提供了有关成功解决分歧式着陆问题所需资源的见解。
Mar, 2020
本文介绍了一种基于视觉技术和先进路径规划算法的自主机器人导航系统,该系统可以避开障碍物并朝着目的地导航,其性能通过定性和定量指标进行评估,研究结果有助于室内机器人导航的发展。
Jul, 2023
通过使用基于像素观察学习到的生成模型,将未访问过的路径纳入规划算法,可以帮助实现动物类的巡航行为,并且可以更准确地预测其新路径。
Aug, 2022
本文提出一种在室内使用单一摄像头实现四旋翼自主导航和寻找目标物体(例如书包)的方法,使用卷积神经网络 (ConvNet) 进行深度学习,使用可视化技术来更好地理解训练网络。
Nov, 2015
提出了一种全新的端到端方法,利用卷积神经网络将嘈杂的传感观测直接映射到避撞轨迹,从而实现四旋翼的高速自主飞行。在模拟训练中,该方法可以实现从模拟到真实环境的零 - shot 迁移,成功地使四旋翼在森林、雪地、脱轨的火车和倒塌的建筑物等复杂环境中高速自主飞行,并优于传统方法。
Oct, 2021
本文介绍了一种用于小型自主飞行器(如无人机)的自主导航引擎,此引擎基于神经网络和并行低功耗计算平台 GAP8,可以使得纳米无人机在严格的实时约束下完整地执行复杂的深度卷积神经网络,以实现闭环端到端可视化导航,同时系统耗能相对较小,且不会对飞行结果进行任何妥协。
May, 2018
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