排序方式: 共有17条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
为提高自主移动机器人的动态避障能力,提出以视觉信息为决策依据,通过时延补偿提高机器人对障碍物定位精度局部动态避障方法.在避障过程中无需考虑障碍物的运动速度和运动方向,更加适用于机器人在未知或部分未知环境下的路径规划.实验表明,这种方法是可行而有效的. 相似文献
5.
在自动驾驶决策方法中,传统模块化方法受限制于数据集的广泛性,基于强化学习的方法难以在高输入维度且动作空间连续的情况下有效学习。为了解决上述问题,提出了一种基于异构融合特征的深度强化学习自动驾驶决策方法,首先使用适量驾驶数据预训练图像降维网络,然后将降维后得到的图像特征和车辆状态特征进行异构融合作为强化学习的输入,采用深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)强化学习框架,通过为自动驾驶量身定制的综合了速度、方向盘角度、车辆位置、碰撞等信息的奖励函数有效引导学习,结合经验池回放技术和目标网络技术提高训练收敛速度。所提方法有效缩短了训练时间,并可在复杂城市环境下保持较高的稳定性与鲁棒性。 相似文献
7.
针对自动驾驶领域当前条件模仿学习模型在动态环境下表现较差的问题,提出了一种使用LSTM网络融合历史视觉信息的动态条件模仿学习模型DCIL(Dynamic Conditional Imitation Learning)。首先DCIL通过残差网络Resnet34进行环境感知得到图像特征,再将连续的4帧历史图像特征通过LSTM网络进行特征融合,得到动态环境的特征向量。针对不同的导航条件,使用不同的决策网络预测车辆速度和方向盘角度;最后使用比例积分控制模型控制车速。在自动驾驶仿真平台CARLA上的测试结果表明DCIL与经典模仿学习方法相比,自动驾驶水平大幅提高,动态环境下避障能力显著增强。 相似文献
8.
基于混合蒙特卡罗箱方法的移动感知网节点定位方法 总被引:1,自引:0,他引:1
通过将机器人领域的蒙特卡罗定位方法(Monte-Carlo localization,MCL)引入到移动感知网的节点定位,提出了一种混合蒙特卡罗箱方法(mixture Monte-Carlo Box,Mixture-MCB).该方法采用混合采样的方式提高采样的成功率,有效地解决了传统蒙特卡罗方法的粒子耗散问题.与其他现有方法相比,该方法不仅计算简单,定位精度高,而且对于环境参数的改变具有较强的鲁棒性,因此适用于由计算能力较弱的节点构成的大规模移动感知网.仿真实验对算法的计算复杂度、定位精度和鲁棒性进行了分析并与其他方法进行了比较,结果表明,该方法是可行而有效的. 相似文献
9.
基于视觉信息的移动机器人动态避障方法 总被引:1,自引:1,他引:0
为了提高自主移动机器人的动态避障能力,提出了一种基于视觉信息的拟人动态避障方法,以视觉信息为决策依据,利用神经网络对障碍物的屏幕坐标和实际相对坐标进行非线性映射,在避障过程中只考虑障碍物相对于机器人的运动及可能的碰撞方式,无需考虑机器人和障碍物的运动速度和运动方向,仿真试验证明这种方法是可行而有效的. 相似文献
10.
在机器人同时定位与地图构建(simultaneous localization and mapping,SLAM)过程中,图优化方法如捆绑约束(Bundle Adjustment,BA)通过对位姿误差的分布进行迭代优化同步提升机器人位姿和地图的准确性,但优化的过程需要较大的计算量。与度量地图相比,拓扑地图因其简洁的环境表示更加适用于大范围环境的自主导航。论文针对拓扑地图在线创建过程中的闭环检测问题提出一种新的图优化方法,该方法只采用里程计航迹推算信息,引入机械臂逆向运动学模型减小位姿跟踪和地图创建误差,并使用模拟退火算法实现变步长快速迭代。实验结果表明该方法具有如下优点:采用间断性运作模式,只是在拓扑节点位置进行图优化操作,适用于计算能力较弱的机器人建图应用;只利用节点间的相互位置关系完成闭环检测,如在此基础上增加场景匹配信息将极大提高地图创建的准确性。 相似文献