Sichere Bahnplanung in dynamischen Umgebungen basierend auf modellprädiktiver Regelung unter Verwendung der Steuerbarrierenfunktion
Ein neuer modellprädiktiver Regelungsrahmen, der die Steuerbarrierenfunktion integriert, um die Herausforderung der Hindernisumfahrung in dynamischen Umgebungen zu bewältigen und gleichzeitig das durch harte Beschränkungen über den gesamten Vorhersagehorizont verursachte Unlösbarkeits-problem zu vermeiden.
Optimierte kollisionsfreie Trajektorien für Roboter in unübersichtlichen Umgebungen durch Sums-of-Squares-Programmierung
Durch die Formulierung eines Sums-of-Squares-Optimierungsproblems, das die Einschließungsbeziehung zwischen dem Roboter und dem freien Raum sicherstellt, können kollisionsfreie Trajektorien für Roboter mit allgemeinen Geometrien in dicht belegten Umgebungen effizient generiert werden.
Anpassungsfähige Multi-Ziel-Roboternavigation mit Demonstrationen
Unser Ansatz kombiniert Multi-Ziel-Verstärkungslernen (MORL) mit demonstrations-basiertem Lernen, um eine anpassungsfähige Navigationspolitik zu entwickeln, die sich an sich ändernde Benutzerpräferenzen ohne Neutraining anpassen kann.
Erwerb adaptiver Navigationsfähigkeiten ohne Karten für unbekannte Umgebungen
Das Skill Q-Network (SQN) ist eine neuartige Reinforcement-Learning-Methode, die ein adaptives Skill-Ensemble-Mechanismus nutzt, um verschiedene Navigationsfertigkeiten ohne Vorkenntnisse zu erlernen und effektiv in unbekannten Umgebungen zu navigieren.
Kontextbewusste Navigation mit Hilfe von Vision-Sprache-Modellen in Innen- und Außenumgebungen
CoNVOI ist eine neuartige Methode zur autonomen Roboternavigation in realen Innen- und Außenumgebungen unter Verwendung von Vision-Sprache-Modellen (VLMs). CoNVOI nutzt VLMs auf zwei Arten: Erstens nutzt es ihre Fähigkeit zur nullsichtigen Bildklassifizierung, um den Kontext oder das Szenario (z.B. Innenkorridor, Außengelände, Fußgängerüberweg usw.) der Umgebung des Roboters zu identifizieren und kontextbasierte Navigationsverhaltensweisen als einfache Textaufforderungen zu formulieren. Zweitens nutzt es ihre hochmoderne semantische Verständnis- und logische Schlussfolgerungsfähigkeiten, um eine geeignete Trajektorie basierend auf dem identifizierten Kontext zu berechnen.
Effiziente Bahnplanung für robotische Navigation durch adaptive Trajektoriensteuerung
Ada-NAV, ein neuartiges adaptives Trajektoriensteuerungsschema, verbessert die Stichprobeneffizienz von Reinforcement-Learning-Algorithmen für Roboternavigationsaufgaben, indem es die Trajektorielänge dynamisch an die Entropie der zugrunde liegenden Navigationspolitik anpasst.
Effiziente und skalierbare Auswahl von Bildmerkmalen für die Roboternavigation in einem Netzwerk
Durch die Verwendung eines skalierbaren randomisierten Algorithmus können die informativsten Bildmerkmale effizient ausgewählt werden, um die Positionsschätzung eines Teams von Robotern in einem unbekannten Umfeld zu verbessern. Die Konnektivität des Kommunikationsnetzwerks der Roboter spielt dabei eine entscheidende Rolle für die Gleichmäßigkeit der Merkmalswichtigkeit und die Leistung des Algorithmus.
Roboternavigation in unbekannten und überfüllten Arbeitsräumen mit dynamischer Systemmodulation in sternförmiger Wegekarte
Ein neuartiger reaktiver Bewegungsplanungsrahmen, der eine dynamisch konstruierte sternförmige Wegekarte und Dynamische Systemmodulation nutzt, um Roboter sicher und effizient in unbekannten und überfüllten Umgebungen zu navigieren.
Globale asymptotische Stabilität des Zielorts durch einen hybriden Regelungsansatz für die dreidimensionale konvexe Hindernisumfahrung
Der vorgeschlagene hybride Regelungsansatz garantiert die globale asymptotische Stabilität des Zielorts im hindernisfreien Arbeitsraum.
Interaktive Navigation in Umgebungen mit durchquerbaren Hindernissen unter Verwendung großer Sprach- und Bild-Sprach-Modelle
Ein interaktives Navigationssystem für Roboter, das große Sprach- und Bild-Sprach-Modelle nutzt, um in Umgebungen mit durchquerbaren Hindernissen zu navigieren.
© 2024 by Linnk AI