Application of Deep Learning in Autonomous Mobile Robot Control: An Overview
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Autonomous mobile robots (AMRs) are reshaping industries by automating tasks across diverse sectors, including logistics, healthcare, agriculture, and manufacturing. Recent advancements in deep learning (DL) have enhanced traditional control systems, empowering AMRs to process high-dimensional sensor data, improve perception, and navigate complex, dynamic environments. These techniques enable AMRs to perform a wide array of sophisticated tasks, including real-time navigation in crowded and cluttered spaces, dynamic obstacle avoidance, and accurate object recognition in settings like warehouses and agricultural fields. Beyond industrial applications, AMRs are also making significant strides in healthcare, particularly in elderly care, where they provide personalized assistance, help with mobility, and monitor health metrics through advanced perception and control mechanisms. This paper provides an overview of DL techniques in AMR systems, examining the roles of convolutional neural networks (CNNs), recurrent neural networks (RNNs), and reinforcement learning (RL). CNNs are explored for visual perception tasks such as object detection, scene understanding, and localization. RNNs are utilized for processing sequential and time series data, such as inertial measurement units or force/torque sensors, to enhance scene perception. Finally, RLs are applied to decision-making and path planning in uncertain and dynamic environments. The paper also addresses the growing role of DL in overcoming key challenges in AMR systems, including enhancing robustness to environmental variations, enabling scalability across diverse operational scenarios, and improving autonomous decision-making capabilities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle