移动机器人自主导航是机器人领域的热点研究内容。本书首先介绍了基于机器视觉感知机制的自主移动机器人导航的理论与研究，重点介绍了基于地图、地图构建以及无地图环境下的基于视觉传感器的机器人导航算法，并给出了实际应用中基于视觉的机器人先进导航算法的实现。本书详细阐述了实际应用中基于视觉的自主导航算法以及SLAM问题，提出了利用视觉感知如何实现子目标驱动的导航概念，提出了利用模糊逻辑进行基于视觉的机器人路径跟踪概念，以及如何利用基于微型控制器的传感器系统研制实验室环境下的低成本机器人。
2022-08-08 20:46:49
11.78MB
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
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
2021-12-22 21:56:51
4.51MB
1
ACS6121 ePuck实验室作业
作者：伊桑·坎齐尼（Ethan Canzini）日期：2021年Spring学期
描述
这是ePuck自主机器人ACS6121模块的分配代码。 该机器人使用C / C ++进行编码，并在Ubuntu上使用Eclipse IDE。
2021-05-10 21:30:30
407.29MB
1