拥挤环境中用于 UGV 导航的 DRL

Research Paper#Robotics, Reinforcement Learning, Autonomous Navigation🔬 Research|分析: 2026年1月3日 17:16•
发布: 2025年12月30日 15:17
•
1分で読める
•ArXiv

分析

本文通过结合时间上下文和自适应多模态融合，解决了现有基于 DRL 的 UGV 导航方法的局限性。使用时间图注意力机制和分层融合是一种改进拥挤环境中性能的新方法。实际应用增加了显著的价值。
引用 / 来源
查看原文
"DRL-TH outperforms existing methods in various crowded environments. We also implemented DRL-TH control policy on a real UGV and showed that it performed well in real world scenarios."
A
ArXiv2025年12月30日 15:17
* 根据版权法第32条进行合法引用。
较旧

Geometry induced net spin polarization of $d$-wave altermagnets

较新

Proper moduli spaces of orthosymplectic complexes

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv