RRT*-AR: Sampling-based alternate routes planning with applications to autonomous emergency landing of a helicopter
PulseAugur coverage of RRT*-AR: Sampling-based alternate routes planning with applications to autonomous emergency landing of a helicopter — every cluster mentioning RRT*-AR: Sampling-based alternate routes planning with applications to autonomous emergency landing of a helicopter across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的RRT*框架在预算约束下规划机器人任务
研究人员开发了奖励引导RRT*（Reward-Guided RRT*），一个用于机器人任务的新框架，该框架在预算约束下联合选择有回报的地点并规划可行的运动。该方法通过任务选择和运动规划阶段，直接在连续状态空间中逐步构建任务，而无需预先计算的任务转换图。实验表明，奖励引导RRT*在采样状态更少的情况下，可以获得与VNS-PRM*相当的解决方案，并且可以纳入车辆运动学约束，正如在类似汽车的机器人平台模拟中所展示的那样。
-
新的Zonal RL-RRT算法提升路径规划效率
研究人员开发了一种新的路径规划算法，名为Zonal RL-RRT，它显著提高了在复杂环境中的效率和成功率。该算法使用k-d树将地图划分为区域，并采用值迭代进行高级决策，确保区域间的平滑过渡。Zonal RL-RRT在时间效率上比基础采样方法提高了3倍，并在包括机械臂模拟在内的各种环境中，平均比启发式引导和基于学习的方法提高了1.5倍。
-
深度强化学习系统实现水下航行器端到端运动规划
研究人员开发了一个面向自主水下航行器（AUVs）的端到端深度强化学习系统，该系统可将原始传感器数据直接映射到推进器指令。这种分层方法将任务分解为高级目标生成和低级指令执行，并使用RLPD和SAC with HER等方法进行训练。在模拟环境中进行评估，该系统在避障方面表现有效，并且对传感器噪声具有鲁棒性，但在泛化到新颖障碍物形状方面显示出局限性。
-
AI 驱动的算法通过更短、更平滑的路径增强机器人导航
研究人员开发了新的 AI 驱动的机器人导航采样算法，显著提高了路径质量和效率。这些方法，包括 Neural RRT* 和 Neural Informed RRT*，与传统的 RRT* 算法相比，生成的路径更短、更平滑。一种新颖的方法 Convex-Neural RRT* 通过预测信息丰富的航点区域，进一步提高了性能，从而大大缩短了计算时间，并在复杂环境中保持了高成功率。