机器人避障当前成就与可研究方向

最新推荐文章于 2024-09-03 20:50:41 发布
最新推荐文章于 2024-09-03 20:50:41 发布
阅读量1.3k 收藏 5
点赞数 2
分类专栏： vslam深度学习 室内移动机器人
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zjguilai/article/details/91362672
版权

机器人导航模块组成

全局导航算法与环境表示

局部避障算法

轨迹与控制

当前可研究方向

机器人导航模块

定位：

核心算法

1）SLAM：激光LSD-SLAM，视觉vSLAM

2）UWB（室内导航机器人定位系统），RFID，GNSS等等

UWB: https://blog.csdn.net/yuyangyg/article/details/77043253

RIFD:

经典的Landmark算法，核心思想是部署参考RFID标签，来推算目标位置。

GNSS:

http://www.agvba.com/4271.html

http://www.xjishu.com/zhuanli/52/201810508463.html

辅助算法

EKF等

导航：

全局规划

A*, RRT , D*

局部避障

APF(人工势场法)

VFH:Vector Field Histogram算法，简称VFH算法，直译为“向量场直方图算法”。

https://baike.baidu.com/item/VFH%E7%AE%97%E6%B3%95/22898373?fr=aladdin

轨迹与控制

如图：

1

2

3

全局导航算法与环境表示

全局导航算法

4

5

6

7

8

环境表示

9

10

局部避障算法（PID,APF,VFH,DWA）

11

12

13

14

轨迹与控制

15

16

17

18

19

当前可研究方向

20

21

22

23

24

链接：https://pan.baidu.com/s/1O_QU-tSns16W1F81YLdLMA
提取码：ofy8

zjguilai
关注
专栏目录
图解DQN，DDQN，DDPG网络
Echooo的博客
04-03 1万+
图解DQN，DDQN，DDPG网络1. DQN1.1 网络结构1.2 产生experience的过程1.3 Q网络的更新流程2. DDQN2.1 网络结构2.2 产生experience的过程2.3 Q网络的更新流程3. DDPG3.1 网络结构3.2 产生experience的过程3.3 Actor网络的更新流程3.4 Critic网络的更新流程 1. DQN 深度Q网络(Deep Q Network)适用于动作离散的强化学习任务 1.1 网络结构 深度Q网络有两个网络结构，如下所示： Q网络输入是状态
未来的智能家居：2050年的家庭机器人管家与智能家电
最新发布
AI天才研究院
10-26 1090
物联网（IoT）是指通过互联网将各种设备连接起来，实现信息交换和资源共享的网络。在智能家居领域，物联网技术使得家电设备能够通过互联网进行通信，形成一个高度整合的智能网络。互联互通：物联网将各种智能家电设备连接在一起，形成一个统一的网络平台，实现设备之间的数据共享和协同工作。数据驱动：物联网技术使得智能家电设备能够实时采集、传输和分析数据，根据用户需求和实际环境调整工作状态，提供个性化的服务。智能控制：通过物联网，用户可以通过智能手机、智能音箱等设备远程控制智能家电，实现远程管理和控制。自动化。
基于MATLAB的机器人避障程序
01-05
基于MATLAB的机器人避障程序，采用网格图作为环境
关于机器人抓取的两篇文章，基于深度学习和脉冲神经网络，以及大脑见图
lianbus的专栏
02-06 1728
 https://link.springer.com/chapter/10.1007/978-3-319-68600-4_6 Towards Grasping with Spiking Neural Networks for Anthropomorphic Robot Hands Dex-Net 3.0: Computing Robust Robot Suction Grasp Targ
深入理解DDQN
weixin_46246346的博客
09-03 1115
通过Alex的探索故事和技术解释，我们可以看到DDQN如何巧妙地解决了DQN中的过估计问题。DDQN的核心思想是通过使用两个网络来解耦动作的选择和评估，从而得到更准确的Q值估计。在实践中，实现DDQN需要注意网络结构、经验回放、目标计算和网络更新等关键点。通过这些技术，DDQN能够在多个强化学习任务中取得比DQN更好的性能。理解DDQN不仅有助于掌握这个特定的算法，还能帮助我们更深入地思考如何改进强化学习算法。
深度强化学习-Double DQN算法原理与代码
热门推荐
weixin_46133643的博客
12-11 3万+
Double Deep Q-learning(DDQN)是对DQN算法的改进，有效提升了算法的性能，本文就带领大家了解一下这个算法，Double Q-learning算法的论文链接见下方。 论文：https://ojs.aaai.org/index.php/AAAI/article/view/10295 代码：后续会将代码上传到Github上... 1 DDQN算法简介 ...
机器人避障系统基础
qq_41854911的博客
06-12 1万+
用来采集运动时环境中障碍物信息的环境信息采集系统是自动避障系统的重要组成部分。全面、精确信息的获取，能够增强智能小车的自动避障性能，同时必须考虑信息处理的及时性和难易程度。视觉传感器、激光雷达测距传感器、红外测距传感器和超声波测距传感器等是主要的几种应用于智能小车自动避障的探测器。超声波测距传感器的工作机理是发射一定频率的信号，通过检测被物体反射、散射回来的信号，判断前方是否有物体3.超声波拥有比较好的传播方向性，能够沿直线传播，且穿透力比较强，能够得到相对集中的超声波能量。超声波频率的增加，导致其绕过障碍
SCARA机器人系统设计与防撞算法研究
【描述】:"深度学习是当前人工智能领域中最热门的研究方向之一。深度学习模型，如卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆网络(LSTM)，已经在图像识别、语音识别、自然语言处理等多个领域取得了革命性的...
单片机驱动的自动避障机器人技术探讨
论文的研究意义在于，针对当前单片机技术的优势，探索如何将其应用于壁障机器人，以提高机器人的感知能力、决策能力和行动能力，从而实现自主避障，提升机器人的实用性和安全性。关键词“单片机”、“传感器”和...
导航、避障、视觉定位：OpenCV在机器人领域的应用
[导航、避障、视觉定位：OpenCV在机器人领域的应用](https://ask.qcloudimg.com/http-save/yehe-7191596/5dtc30z46v.png) # 1. OpenCV简介** OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉...
强化学习DQN、DDQN和Dueling DQN的原理介绍与PARL核心代码解析
秋水中的鱼的博客
07-23 3万+
摘要 本文主要介绍DQN算法的基本原理，以及在它基础上改进的DDQN和Dueling DQN，介绍完后会结合对应的PARL代码进行解析说明（PARL 是一个高性能、灵活的强化学习框架）。 三篇相关的论文地址如下，接下去的三个小节会围绕这三篇论文的重点部分进行剖析。 DQN：Human-level Control Through Deep Reinforcement Learning DDQN：Deep Reinforcement Learning with Double Q-learning Dueling
【强化学习】深度Q网络(DQN)求解倒立摆问题 + Pytorch代码实战
知不足而奋进，望远山而前行
10-22 2万+
Agent 必须在两个动作之间做出决定 - 向左或向右移动推车 - 以使连接到它的杆保持直立。 深度 Q\mathrm{Q}Q 网络算法是这样的，我们初始化两个网络 ：估计网络 QQQ 和 目标网络 Q^，Q^\hat{Q} ， \hat{Q}Q^​，Q^​ 就等于 QQQ ，一开始 目标网络 Q^\hat{Q}Q^​ 与原来的 QQQ 网络是一样的。在每一个回合中，我们用演员与环境交互，在每一次交互的过程中，都会得到一个 状态 sts_tst​ ，会采取某一个动作 at。a_{t 。}at。​ 怎么知道采
强化学习 9 —— DQN 改进算法 DDQN、Dueling DQN 详解与tensorflow 2.0实现
靡不有初鲜克有终
08-10 7607
上篇文章强化学习——详解 DQN 算法我们介绍了 DQN 算法，但是 DQN 还存在一些问题，本篇文章介绍针对 DQN 的问题的改进算法 一、Double DQN 算法 1、算法介绍 DQN的问题有：目标 Q 值（Q Target ）计算是否准确？全部通过 max  Qmax\;QmaxQ 来计算有没有问题？很显然，是有问题的，这是因为Q-Learning 本身固有的缺陷—过估计 过估计是指估计得值函数比真实值函数要大，其根源主要在于Q-Learning中的最大化操作，对于 TD Target： r+γ  
强化学习------DDQN算法
niulinbiao的博客
10-30 1295
DQN算法DQN算法有一个显著的问题，就是DQN估计的Q值往往会偏大。这是由于我们Q值是以下一个s’的Q值的最大值来估算的，但下一个state的Q值也是一个估算值，也依赖它的下一个state的Q值…，这就导致了Q值往往会有偏大的的情况出现。所以出现了对DQN算法的改进算法算法。
强化学习笔记（四）DDQN 附代码
qq_40208154的博客
11-06 3997
源代码：点击直达 下面是DQN算法计算Q现实的方法，可以看到，计算下一状态的Q值时，永远选取得是最大值，这样会导致该模型过估计，即估计值过高（本来预测的Q值就有误差，加上max操作后，就把误差扩大了）。 Double DQN就是解决这个问题的，可以看到，他计算Q值时，不是直接选取最大值，而是将估计神经网计算的下一状态的Q值的最大值行为作为现实神经网的行为，从而计算Q值。 因此，DDQN和DQN主要的区别只是在计算Q现实时！ 首先，DQN只需要2个Q值，DDQN需要3个Q值，分别为Q(St+1 , a ;
强化学习DQN（Deep Q-Learning）、DDQN（Double DQN）
weixin_51602120的博客
02-01 1807
强化学习Deep Q-Learning（DQN） 、Double DQN
强化学习入门（五）：Q-learning算法系列2：进阶算法
weixin_45459911的博客
04-18 1513
文章目录一、Double DQN（DDQN）1、引出原因2、DDQN基本原理二、Dueling DQN1、创新点2、优势所在三、优先回放（Prioritized Experience Replay）四、Multi-step: Combination of MC and TD五、Noisy Net1、创新点——在参数上加noise2、优势六、Distributional Q-function1、提出...
MATLAB机器人避障程序开发与实现
在开发基于MATLAB的机器人避障程序时，开发者可能还需要考虑与其他工具或硬件设备的集成，如Simulink模型、ROS（Robot Operating System）、物理机器人平台等。 通过上述知识点的介绍，我们可以了解到在MATLAB环境...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值