XiaoMi-AI文件搜索系统
World File Search SystemNavigation
多环境自适应地形检测和导航机器人
摘要：此摘要总结了针对外星探索的地形检测机器人的设计，开发和功能的详细探索。该机器人的主要目的是通过使它们能够在不损坏的情况下驾驶各种地形来提高空间探针的安全性和效率。该文档详细介绍了机器人的设计，并结合了通过应用力和反馈机制进行自适应运动的创新功能，例如地面硬度检测。已参考了重大研究强调机器人适应从沼泽到沙漠的各种地面类型的能力，由于其复杂的表面，这通常会对移动性构成重大风险。例如，诸如概率神经网络和支持向量机之类的技术用于表面分类，该技术基于使用诸如局部二进制模式和加快稳健特征的方法提取的纹理特征。机器人的结构包括具有铝合金组件的稳健机械结构和适用于各种天体的不同引力拉力的高振动电动机。机器人的关键特征是它可以重新定位本身的能力，而不是在遇到不可能的地形时反转，这是由独特的车轮设计和复杂的控制系统促进的。本文档还讨论了为空间探索设计机器人系统的实践挑战和理论含义，包括对模拟外星表面的耐用性测试以及高级传感器和AI的集成以改善导航决策。文档的结论中概述的业务模型提出了一种将该技术商业化用于太空探索应用的战略方法。
全球导航卫星系统GNSS射频干扰
可以使用在不同频率上运行的多个导航接收器来降低GNS的干扰易感性。频率多样性可以采用相同类型的接收器。减少干扰是在L5 1176.45 MHz（GPS-美国星座）引入和进一步扩展新民用通道的原因之一。使用多结构混合接收器可以提高可用性和可靠性。但是，应评估它们在整个GNSS频率范围内针对宽带干扰的较高成本和有效性。下表总结了减轻GNSS RFI对民航的影响的计划。
复杂路线导航和空间决策中的强化学习
在10个独立的参与者批评中的导航中，每个都带有参数β= 0。05，λ= 0。9，α= 0。3，γ= 0。95，在总共1,000集和最大插曲长度为1,000集中，从启用到目标的成功途径是在学习终止后10次获得的。
![在高度约束空间中的自主地面导航：从ICRA 2024的第三个谷仓挑战中学到的教训[竞赛]](/simg/a/a45ad0d3ef781c6f93dd0798ca55c767801ac4e4.webp)
在高度约束空间中的自主地面导航：从ICRA 2024的第三个谷仓挑战中学到的教训[竞赛]
第三个基准自动驾驶机器人导航（谷仓）挑战赛于2024年IEEE国际机器人和自动企业国际会议（ICRA 2024）举行，并继续评估高度紧缩环境中最先进的自治地面导航系统。与费城（北美）ICRA 2022和2023年第一和第二谷仓挑战的趋势类似，第三个在横滨（亚洲）的谷仓Challenge（欧洲）变得更加地区，即大多数是亚洲团队。比赛的规模略微缩小（六支仿真球队，其中四个被邀请参加物理比赛）。与过去两年相比，竞争结果表明该领域采用了新的机器学习方法，同时又略微融合了一些常见的实践。然而，物理参与的区域性质提出了一个挑战，以促进全世界更广泛的参与，并提供更多的资源前往场地。在本文中，我们讨论了挑战，三个获胜团队使用的方法以及学到的教训以指导未来的研究和竞争。
航行公告 24-61 帕斯卡古拉港（疏浚...
通知海员，Mike Hooks, LLC 的管道疏浚船 E. Stroud 正在帕斯卡古拉联邦航道 Red Beacon 10 附近进行维护疏浚作业。疏浚船正在将材料放置在航道附近经批准的开放水域放置区域。航道疏浚预计将于 2024 年 8 月 30 日左右完成。疏浚船随后将移至杰克逊县港务局的 Bayou Casotte 码头设施。材料将放置在 Greenwood 有益使用场地。疏浚活动预计将持续大约两个月。可以通过 VHF 频道 13 和 16 联系疏浚船。
缩小导航中的视力与动作之间的差距
连续环境（VLN-CE）中的视觉和语言导航的现有方法通常结合了离散环境的方法预测指标。与使用低级操作的直接训练相比，这将导航操作简化为视图选择任务，并显着提高导航性能。但是，VLN-CE代理仍然远离真正的机器人，因为它们的视觉感知和执行动作之间存在差距。首先，离散视觉环境的VLN-CE代理主要是通过高级视图选择训练的，这使他们忽略了低级动作运动中关键的空间推理。第二，在这些模型中，现有的Waypoint预测因素忽略了对象语义及其与可传递性有关的属性，这在指示动作的可行性时可能会提供信息。为了解决这两个问题，我们引入了一个低级动作解码器，该解码器联合训练了具有高级动作预测，使当前的VLN代理可以学习并将所选的视觉视图扎根至低级控制。此外，我们通过利用包含丰富语义信息并根据人类对行动可行性的先验知识明确掩盖障碍来增强当前的路点预测指标。从经验上讲，与高级和低级作用的强基础相比，我们的代理可以改善导航性能指标。
使用深钢筋的动态迷宫拼图导航
在移动机器人技术中实施深度强化学习是为开发自动移动机器人开发以充分完成任务和运输对象的绝佳解决方案。强化学习通过自我学习和生物学上的合理性继续在机器人应用中表现出令人印象深刻的潜力。尽管取得了进步，但仍在在动态环境中应用这些机器学习技术。本论文探讨了使用图像作为输入的深Q-Networks（DQN）的性能，用于动态迷宫难题中的移动机器人导航，并旨在为模拟和现实生活中的机器人系统的深入强化学习应用程序的进步做出贡献。此项目是在基于硬件的系统中实现的一步。
MC-GPT：使用内存图和推理链授权视觉和语言导航
摘要 - 在视觉和语言导航（VLN）任务中，必须按照自然语言指令导航到目的地。虽然基于学习的方法一直是对任务的主要解决方案，但他们遭受了高培训成本和缺乏解释性的困扰。最近，由于其强大的概括能力，大型语言模型（LLMS）已成为VLN的有前途的工具。但是，现有的基于LLM的方法面临着记忆构建和导航策略多样性的限制。为了应对这些挑战，我们提出了一套技术。首先，我们引入了一种维护拓扑图的方法，该拓扑图存储导航历史记录，保留有关观点，对象及其空间关系的信息。此地图也充当全球动作空间。此外，我们提出了一个思想模块的导航链，利用人类导航示例丰富了导航策略多样性。最后，我们建立了一条管道，将导航记忆和策略与感知和动作预测模块集成在一起。Reverie和R2R数据集的实验结果表明，我们的方法有效地增强了LLM的导航能力并提高导航推理的解释性。
通过增强的PPO进行安全移动机器人导航的深度加固学习
摘要 - 无汇总运动对于移动机器人必不可少。大多数与车轮机器人无冲突和高效导航的方法都需要专家进行参数调整，以获得良好的导航行为。本研究调查了深入强化学习在复杂环境中训练移动机器人进行自动导航的应用。机器人利用激光雷达传感器数据和深度神经网络来生成控制信号，同时避免了障碍物。我们在凉亭仿真环境中采用两种强化学习算法：深层确定性政策梯度和近端政策优化。该研究在近端策略优化算法中引入了增强的神经网络结构，以提高性能，并具有精心设计的奖励功能，以提高算法效率。在障碍物和自由环境中进行的实验结果强调了拟议方法的有效性。这项研究通过应用深度强化学习，很大程度上有助于在复杂环境中提高自主机器人技术。索引术语 - 深处增强学习，自主航行，控制，避免障碍