Jun, 2024

基于深度强化学习的新型闭链五杆主动悬挂的自主控制

PDF
TL;DR该研究论文介绍了一个主要关注底盘稳定化和在面对不可避免障碍物时实现有效遍历的主动悬挂系统，使用软性 Actor-Critic（SAC）和比例积分微分（PID）控制来稳定底盘并以低速度遍历大型障碍物。该模型准确地利用漫游器与周围障碍物的距离、障碍物的高度以及底盘的方向来激活悬挂系统的控制连杆。通过在 Gazebo 环境中进行的模拟实验对提出的主动系统进行了验证。
planetary explorationactive suspension systemchassis stabilisationtraversal methodobstacle avoidance
发现论文，激发创造
  • 用 SAC 解决 Acrobot 和 Pendubot 的摆动和平衡任务

    我们提出了一个基于强化学习算法的解决方案，用于在 IJCAI 2023 的人工智能奥林匹克竞赛中完成摇摆和平衡任务，基于 Soft Actor Crtic (SAC) 算法训练摇摆和进入线性二次调节器（LQR）控制器吸引区域的策略来稳定双摆杆处于顶部位置，我们的控制器在性能和鲁棒性方面实现了竞争分数，适用于 pendubot 和 acrobot 问题场景。

    Dec, 2023

  • 车辆轨迹控制的高效数据深度强化学习

    采用数据高效的深度强化学习方法研究车辆轨迹控制，发现新的模型推理方法并将动力学预测和车辆定位分离，比传统方法更高效地学习控制策略。

    Nov, 2023

  • 基于模型预测路径积分控制的自主越野拉力赛驾驶学习地形感知运动学模型

    提出一种适用于自主驾驶的、适应于车辆周围复杂地形信息的、六自由度动态学模型，并设计出相应的安全稳定的模型预测控制器。仿真实验表明，相比基线模型，该模型 - 控制器组合表现出更好的高速行驶性能，具备较高的安全性和稳健性。

    May, 2023

  • ASID：机器人操作中的系统辨识主动探索

    通过利用少量真实世界数据来自动完善模拟模型并规划准确的控制策略，在多个具有挑战性的机器人操作任务中，我们展示了这种模式对识别关节、质量和其他物理参数的有效性，并且说明了只需少量真实世界数据即可进行有效的模拟到真实世界的转换。

    Apr, 2024

  • 太空航天器自主决策规划以避免碰撞：一种强化学习方法

    基于强化学习技术的自主决策能力的实施是为了在空间复杂环境中，将碰撞规避操控的决策过程委托给太空船自动执行，以实现更快速的响应和高度分散的操作。

    Oct, 2023

  • 自主 Formula SAE 车辆的局部路径跟踪的深度强化学习

    使用深度强化学习（DRL）和逆强化学习（IRL）将局部观察到的锥体位置映射到期望的转向角度以进行赛道跟踪。两种先进算法，软演员批评（SAC）和对抗逆强化学习（AIRL），在代表性模拟中训练模型。在仿真和现实世界中进行的测试表明，这两种算法都可以成功训练用于局部路径跟踪的模型。提出了未来工作的建议，以使这些模型能够适用于完整的 Formula:SAE 车辆。

    Jan, 2024

  • 缩放机器人车辆的建模、定位和深度强化学习路径跟踪控制：设计与实验验证

    移动机器人系统中，提出了一种分散拓展的扩展卡尔曼滤波器和一种通过专家演示器训练的强化学习路径跟踪控制器的新颖方案，实验结果表明，FEKF 能够改善移动机器人位置的估计，AI 解决方案能够胜过基于模型的控制策略和演示器，同时通过一系列性能指标对比评估与基准控制器。

    Jan, 2024

  • 深度强化学习实现高速自主漂移

    本研究采用最新的深度强化学习算法（软演员 - 评论家），提出了一种不需要明确运动方程的强健漂移控制器，通过对不同难度的赛道进行训练，使车辆能够快速、稳定地漂移通过各种锐利的拐角，控制器被证明具有良好的泛化能力，可以直接处理具有不同物理特性的不同类型的车辆。

    Jan, 2020

  • 使用强化学习调节自主车辆的路径跟踪控制器

    本文提出了一种基于强化学习的适应性路径跟踪控制系统，可用于自动驾驶汽车，并使用 Q-Learning 算法进行较小横向和转向轨迹误差的校准。该系统还基于 ROS 桥连接了 CARLA 模拟环境和跟踪器结果。模拟结果表明，本系统能够安全地适应不同类型的参考轨迹，并具有低误差追踪能力。

    Jan, 2023

  • 闭环机器人反应式规划的模型检测

    使用模型检验创建差分驱动轮式机器人的多步计划，以避免即时危险，并以近实时的方式改善局部障碍物避免的效果。

    Nov, 2023