Latent-Raum-Planung für stochastische Systeme: Effiziente risikogebundene Trajektorienoptimierung für Agenten mit gelernter Dynamik
Wir stellen einen "Generate-and-Test"-Ansatz zur risikogebundenen Planung vor, bei dem ein Planer eine Kandidatentrajektorie unter Verwendung eines linearen Dynamikmodells erzeugt und ein Validator die Risiken der Trajektorie bewertet, um zusätzliche Sicherheitseinschränkungen für den Planer zu berechnen. Wir verwenden einen variationellen Autoencoder, um ein lineares Latent-Raum-Dynamikmodell zu lernen und das Planungsproblem in den Latent-Raum zu übertragen, um effiziente konvexe Optimierungstechniken zu nutzen.
Ein bidirektionales, interaktives KI-Framework für die soziale Navigation von Robotern
Ein umfassendes End-to-End-Framework, das darauf abzielt, eine vertrauensvolle bidirektionale Mensch-Roboter-Interaktion in kollaborativen Umgebungen für die soziale Navigation mobiler Roboter zu fördern.
Vorhersage der Wahrscheinlichkeit, dass eine MDP-Richtlinie ein vom Benutzer angegebenes Verhaltensziel erreicht
Das System soll eine kalibrierte Schätzung der Wahrscheinlichkeit aufrechterhalten, mit der es das Benutzerziel erreichen wird. Wenn diese Wahrscheinlichkeit unter einen bestimmten Schwellenwert fällt, sollte es den Benutzer warnen, damit entsprechende Maßnahmen ergriffen werden können.
Trajektoriensteuerung und Hindernissvermeidung für mobile Agenten durch konvexe Optimierung
Eine Methode zur Trajektoriensteuerung und Hindernissvermeidung für mobile Agenten in polygonalen Umgebungen durch konvexe Optimierung.
Effiziente iterative Klassifizierung aktiver und inaktiver Hindernisse für zeitoptimale Kollisionsvermeidung
Die vorgeschlagene iterative Methode zur Klassifizierung aktiver und inaktiver Hindernisse ermöglicht eine effizientere Berechnung des zeitoptimalen Pfads, indem nur die Auswirkungen der "aktiven" Hindernisse auf den Pfad des bewegten Objekts berücksichtigt werden.
Robuster, beobachterbasierter Umgebungsregler mit Barrierefunktionen für sicherheitskritische Steuerung in dynamischen Umgebungen mit beweglichen Hindernissen
Ein robuster, beobachterbasierter Ansatz zur Verwendung von Umgebungsbarrierefunktionen wird vorgestellt, um die Sicherheit von Steuerungssystemen in dynamischen Umgebungen mit beweglichen Hindernissen zu gewährleisten. Dieser Ansatz reduziert die Konservativität im Vergleich zu Ansätzen, die den Schlimmstfall berücksichtigen, indem er einen Zustandsbeobachter für Hindernisse in das Design der Umgebungsbarrierefunktion integriert.
Sicherheitsgewährleistung durch Bifurkation der Steuerungspolitik in der sicheren Verstärkungslernung
In sicheren Verstärkungslernsystemen ist es notwendig, eine bifurkative Steuerungspolitik zu verwenden, um Sicherheit und Optimalität zu gewährleisten, da kontinuierliche Steuerungspolitiken in Szenarien mit komplexen Beschränkungen zu unvermeidlichen Verletzungen der Beschränkungen führen können.
Effizientes und sicheres Lernen von kontextbewussten Verhaltensweisen zur Bewältigung latenter Risiken
Das vorgeschlagene Framework kombiniert Großsprachmodelle (LLMs), stochastischen Gradientenabstieg (SGD) und optimierungsbasierte Steuerung, um komplexe Aufgaben effizient zu lernen und latente Risiken zu antizipieren.
Effiziente Kombination von lokaler und globaler Wahrnehmung für die autonome Navigation von Nano-UAVs
Eine neuartige Vision-Tiefenkarten-Fusionsarchitektur ermöglicht eine zuverlässige autonome Navigation von Nano-UAVs in komplexen Umgebungen, indem die Stärken von visuellen und Tiefensensoren komplementär genutzt werden.
Genauigkeitsanalyse der Simulation von GPS- und IMU-Sensoren für die Geschwindigkeitsschätzung autonomer Agenten
Die Genauigkeit der Simulation von GPS- und IMU-Sensoren ist entscheidend für die Entwicklung und Validierung von Algorithmen für autonome Agenten. Diese Studie stellt eine Methodik vor, um die Diskrepanz zwischen Simulation und Realität (Sim2Real-Lücke) für die Geschwindigkeitsschätzung zu quantifizieren.
© 2024 by Linnk AI