Investigación sobre la evitación de obstáculos de los robots y métodos de generalización basados en la transferencia...

Área de la Ciencia:

• La robótica
• Inteligencia artificial
• Informática inspirada en la biología

Sus antecedentes:

• Los organismos integran datos sensoriales y experiencia para una navegación eficiente en entornos dinámicos.
• El aprendizaje de refuerzo profundo (DRL) permite a los robots móviles aprender estrategias de navegación autónomas en escenarios desconocidos.
• Adaptar la navegación de los robots a entornos complejos e inciertos sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar un marco mejorado de aprendizaje por refuerzo para la planificación de rutas de robots móviles.
• Mejorar la adaptabilidad, la eficiencia y la evitación de obstáculos en entornos complejos.
• Aprovechar los mecanismos de inspiración biológica para una mejor percepción y transferencia de políticas.

Principales métodos:

• Utilizó el algoritmo Soft Actor-Critic (SAC) como el marco central de DRL.
• Se introdujo un mecanismo de fusión a nivel de acción para la integración dinámica de políticas anteriores y actuales.
• Implementó un método de optimización de la percepción de radar inspirado en la biología para mejorar el procesamiento de la entrada sensorial.
• Diseñó una función de recompensa basada en el reconocimiento de comportamiento ineficaz para optimizar el entrenamiento.

Principales resultados:

• El método propuesto demostró una convergencia más rápida en las tareas de planificación de rutas.
• Se obtiene un rendimiento superior de evitación de obstáculos en comparación con los métodos existentes.
• Muestra una fuerte transferibilidad y generalización a través de diversas configuraciones de obstáculos.
• Eficacia validada tanto en escenarios de simulación (Gazebo) como en el mundo real.

Conclusiones:

• El marco desarrollado basado en SAC mejora significativamente la adaptabilidad de los robots móviles y la planificación de rutas.
• La percepción bioinspirada y la fusión de políticas contribuyen a una navegación más robusta y eficiente.
• El enfoque ofrece una solución prometedora para la navegación autónoma en entornos complejos e inciertos.