实现基于神经网络的长期短期记忆算法,用于动态避开障碍
Esmeralda Mulás-Tejeda1, Alfonso Gómez-Espinosa1, Jesús Arturo Escobedo Cabello1
1Tecnologico de Monterrey, Escuela de Ingeniería y Ciencias, Av. Epigmenio González 500, Fracc. San Pablo, Querétaro 76130, Mexico.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
这项研究为自主移动机器人实施长期短期记忆 (LSTM) 神经网络,以避免动态障碍. 该系统成功地引导机器人达到目标,同时确保安全和避免碰撞.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 自主移动机器人在工业环境中至关重要,需要安全的人机交互.
- 通过带有静态和动态障碍的环境安全导航是这些机器人的关键挑战.
研究的目的:
- 为移动机器人提供动态避障方法的物理实现.
- 使用长期短期记忆 (LSTM) 神经网络来实时避免碰撞.
主要方法:
- 一个配备LiDAR的TurtleBot3机器人被用于OptiTrack运动捕捉系统中.
- 收集LiDAR数据,目标点,机器人的位置和速度作为LSTM网络的输入.
- 在多个场景中,LSTM模型在各种用户操作的轨迹上进行了训练.
主要成果:
- 实施的LSTM模型使移动机器人能够在所有测试场景中成功到达目标点.
- 该系统证明了有效地避免动态障碍.
- 在物理实验中实现了98.02%的验证准确性.
结论:
- 基于LSTM的动态避障方法的物理实施是成功的.
- 这种方法提高了自主移动机器人在复杂环境中的安全性和效率.
- 该模型在现实世界导航任务中显示出高可靠性.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.6K
03:31Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
520
