通过深度学习模型对室内楼道环境的视觉信息进行处理，帮助移动机器人在室内楼道环境下自主行走。为达到这个目的，将楼道环境对象分为路、门、窗户、消防栓、门把手和背景六类，通过图像的语义分割实现对象识别。在对楼道环境的六类对象进行分割的实验中发现，由于门把手比起其他对象小很多，影响了对它的识别效果；将六分类模型改为“5 2”分类模型，解决了这个问题。分类模型的基础是全卷积神经（FCN）网络，可以初步实现图像的分割。为了提高FCN网络的分割效果，从三个方面进行了实验研究：a）取出FCN网络的多个中间特征层，进行多层特征融合；b）考虑到移动机器人行走过程中视觉信息的时间序列特点，将递归神经网络（RNN）的结构纳入到FCN网络中，构成时间递归的t-LSTM网络；c）考虑到二维图像相邻像素之间的依赖关系，构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果，实验结果表明，多层融合加s-LSTM的结构从分割效果和计算时间方面达到综合指标最佳。
2022-06-05 04:03:41
1.24MB
1
2013 年 3 月 15 日，MathWorks UK 举办了一场学生竞赛，参赛团队聚集在一起执行一组 4 项任务，最终比赛由乐高 MINDSTORMS NXT 机器人尽快导航一组航点。 此文件交换提交收集了 4 个初步任务以及示例模型，任何人都可以探索和了解适用于 Lego MINDSTORMS NXT 硬件的 Simulink 支持包的工作原理。
任务是：
任务 1：在模拟中和在机器人本身上旋转您的机器人。 比较结果以查看它们是否匹配。
任务 2：探索并尝试使用示例目标航路点模拟地板上的机器人，更改控制器参数以查看行为变化。 比较结果。
任务3：在真实机器人上运行与上一个任务相同的算法，并记录实时历史记录。 与之前的模拟进行比较。
任务 4：针对任意一组航点设计和模拟算法，探索算法以找到点之间的最短距离。
此示例将这个 Simulink 支持包用于 LEGO MINDS
2022-05-25 06:41:07
2.04MB
1
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器.
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器.
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
遗传导航旨在通过与自定义通用遗传算法协同开发的遗传算法 (GA) 方法来学习导航机器人控制器
2022-05-11 09:04:50
13.61MB
凸优化matlab代码轨迹机器人导航
该存储库是Mahyar
Fazlyab等人撰写的论文《时变凸优化的预测-校正内点方法》的实现。
。
tl;
dr：下载任何文件夹（1.1、2.0、3.0）；
用MATLAB打开;
键入main（）以查看输出（图形）。
就像一个非常有名的标题所暗示的那样，本文继续建立了一个内点优化方法，该方法适用于目标函数和约束条件本质上是随时间变化的问题。
简而言之，所采用的方法结合了用于预测变化的二阶动力学知识和牛顿方法的一种版本，以校正轨迹并收敛于最优解。
因此，名称为“预测校正”。
然后，通过几个示例使用本文得出的优化方法，其中一个是机器人导航问题。
主要假设：
机器人是球形的，半径已知；
所有障碍物均为已知半径和坐标的球形；
两个障碍之间有足够的空间供机器人穿过；
机器人的初始位置没有任何障碍物。
实施的主要阶段：
v1.1-具有固定目标的2D工作区；
v2.0-具有时变目标的2D工作空间；
v3.0-具有随时间变化目标的3D工作区。
注意，第三步实现看起来很漂亮，但与第二步基本相同。
剧情图例：
x_c：初始机器人位置的质心
x_d：物镜的初始位置
蓝线
2022-04-28 16:55:23
176KB
1
-深度强化学习已成功应用于各种电脑游戏[8]。然而，它在实际应用中仍然很少使用，尤其是在实际移动机器人的导航和连续控制中[13]。以前的方法缺乏安全性和鲁棒性，并且/或者需要一个结构化的环境。在本文中，我们提出了一种在未知环境下，无地图或规划器的真实机器人自主自学习导航的概念证明。机器人的输入仅仅是来自2D激光扫描仪和RGB-D相机的融合数据，以及目标的方向。环境地图是未知的。异步网络（GA3C）的输出动作是机器人的线性速度和角速度。
导航/控制器网络在一个高速、并行、自实现的仿真环境中进行预训练，以加快学习过程，然后部署到实际机器人上。为了避免过度拟合，我们训练相对较小的网络，并向输入激光数据中添加随机高斯噪声。传感器数据与RGB-D摄像头的融合使机器人能够在真实环境中进行导航，实现真正的3D避障，而无需使环境适应机器人的感官能力。
为了进一步提高鲁棒性，我们在各种困难的环境中进行训练，并同时运行32个训练实例
2022-01-30 09:05:32
107.93MB