-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

请将qingzhou_ws压缩包直接复制到Ubuntu系统后解压，然后进行编译。特别提示：本代码所有参数均不是最优，需要根据实际调试情况进行测试修改！

SLAM论文：基于SLAM的移动机器人导航系统研究。基于SLAM的移动机器人导航系统研究

视频图matlab代码机器人导航 这是在BigData4Healthcare 2017（IEEE BigComp 2017的研讨会）中介绍的论文的实现。 通过改进Michal Kramarczyk的初始代码，可以实现基于神经网络的机器人导航。 测试机器人导航的视频 机器人导航模拟器 研究总结 问题陈述 自主导航机器人存在挑战，例如环境，障碍物和目标位置的频繁变化。 研究目的 验证基于神经网络的自主导航机器人的潜力 在自主移动机器人的导航中将RNN与MLP进行比较 建议的解决方案 将RNN和MLP用于自动导航机器人可以更好地概括环境，障碍物和目标位置。 实验结果 通过训练有素的地图和训练有素的目标进行测试，两个网络的性能在每个迷宫中都各不相同。 通过训练有素的地图和新目标进行测试，基于RNN的机器人比基于MLP的机器人可以更好地导航。 使用新地图和新目标进行测试，基于RNN的机器人即使在全新环境中也可以导航。 贡献 基于RNN的机器人表现出总体上比MLP更好的性能，因为RNN可以处理任意时间动态。 与MLP相比，RNN对新的迷宫和目标具有更好的泛化能力。 安装 机器人导航模拟器和神经网络

MATLAB sample codes for mobile robot navigation.

基于ROS的室内移动机器人导航技术研究，论文综述性的内容概括比较全面，易懂，具有借鉴性。论文综述性的内容概括比较全面，易懂，具有借鉴性

用MATLAB程序模拟实现机器人的导航，文件中附有MATLAB程序，和机器人导航的数据，可以选择不同的方法实现机器人的导航模拟，如人工势场法，网格法等。

QlearningProject MatLab仿真，用于基于Q学习的避障和非周期性例程。 用于避障例程和移动机器人控制的Python代码。

本书主要论述了移动机器人导航系统和路径跟踪控制算法的设计方法。首先，基于常用的 移动机器人导航系统的原理、所选用的民用单频GPS接收机数据的特点和航迹推算导航系统 数据的特点，提出了三种GPS和航迹推算导航综合导航系统信息融合算法。这些算法利用 GPS与航迹推算导航系统具有互补的特性，在解算负担小的基础上，能够很好地融合民用单频 GPS接收机和航迹推算系统的导航信息，为室外移动机器人提供长期稳定、准确的导航信息。 其次，介绍了移动机器人路径规划应用的蚁群算法。针对传统蚁群算法容易陷入早熟、收敛速 度慢和生成路径转折多等问题，提出了相应的改进措施。改进后的蚁群算法在提高搜索速度的 基础上，扩大了搜索范围，并且能够提供转折较少的路径。最后，基于模型算法控制方法和神经 网络的模型算法控制方法为移动机器人设计了路径跟踪控制算法。

skydetector：用于自主地面机器人导航的单张图像中天空区域检测的Python实现（Shen和Wang，2013）