Aprendizaje profundo por refuerzo guiado por fuerza de Coulomb para una planificación de movimiento robótico eficaz y...

Área de la Ciencia:

• Robótica
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• La navegación de robots móviles en entornos complejos presenta importantes desafíos para la seguridad y la eficiencia.
• El aprendizaje profundo por refuerzo (DRL) ofrece un enfoque prometedor para la navegación autónoma, pero a menudo carece de explicabilidad.
• La tecnología de gemelos digitales se utiliza cada vez más para entrenar y validar sistemas robóticos.

Objetivo del estudio:

• Proponer un nuevo marco de DRL inspirado en la física para una planificación de movimiento eficaz y explicable en robots móviles.
• Mejorar la seguridad de la navegación robótica incorporando fuerzas atractivas y repulsivas y evitación de colisiones anticipatoria.
• Validar el rendimiento del marco en entornos simulados y del mundo real.

Principales métodos:

• Representación del robot, destino y obstáculos como cargas eléctricas, con interacciones modeladas por fuerzas de Coulomb.
• Integración de fuerzas de Coulomb en la función de recompensa de DRL para guiar el comportamiento del robot.
• Incorporación de la segmentación de límites de obstáculos basada en LiDAR para recompensas de evitación de colisiones anticipatoria.
• Entrenamiento del modelo DRL en simulaciones de Gazebo y despliegue en un robot TurtleBot v3.

Principales resultados:

• El marco propuesto reduce significativamente las colisiones durante la navegación del robot.
• Se mantienen distancias seguras constantes con los obstáculos.
• El método genera trayectorias más seguras y eficientes hacia los destinos designados.
• El enfoque inspirado en la física mejora la explicabilidad de las decisiones de planificación de movimiento.

Conclusiones:

• El marco de DRL inspirado en la física permite de manera efectiva una planificación de movimiento segura y explicable para robots móviles.
• Las fuerzas de Coulomb y las recompensas basadas en LiDAR son cruciales para una navegación robusta en entornos complejos y dinámicos.
• El despliegue exitoso en un robot real valida la aplicabilidad práctica y el rendimiento del marco.