深度强化学习辅助的自主导航与里程碑式的发电机.
Xuanzhi Wang1, Yankang Sun1, Yuyang Xie1
1Department of Integrated Circuit Science and Engineering, Nanjing University of Posts and Telecommunications, Nanjing, China.
Frontiers in neurorobotics
|September 7, 2023
概括
本研究介绍了一种新的机器人导航框架,将传统的规划与深度强化学习 (DRL) 结合起来,以克服动态障碍. 这种新方法显著提高了导航效率和安全性,减少了训练时间,并防止机器人卡住.
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:
- 移动机器人在各种应用中至关重要,但准确的自主导航,特别是与动态障碍物,仍然是一个挑战.
- 传统的导航方法与动态环境作斗争,而深度强化学习 (DRL) 面临着长时间的训练时间和缺乏长期记忆等问题,阻碍了现实世界的应用.
- 现有的DRL方法用于机器人导航可能是低效的,容易让机器人陷入死胡同.
研究的目的:
- 为移动机器人开发一个改进的自主导航框架,解决传统方法和DRL的局限性.
- 减少培训时间,提高基于DRL的导航系统的稳定性.
- 为了在复杂的环境中实现无故障的导航,在复杂的环境中存在许多快速移动的动态障碍.
主要方法:
- 一个混合导航框架,将传统的全球路线规划与基于DRL的当地规划相结合.
- 使用DRL导航到全球路径上识别的高价值地标.
- 将特征提取网络与内存模块相结合,以保持DRL中的长期依赖.
主要成果:
- 与传统和端到端的DRL导航方法相比,拟议的方法显示出更高的性能.
- 在导航效率 (时间和路径长度) 中平均提高了20%,在安全性方面提高了34% (碰撞减少).
- 在许多快速移动的动态障碍的情况下,在场景中展示了26.6%的更高成功率和强大的稳定性.
结论:
- 混合导航框架有效地结合了全球和当地规划,以实现高效和安全的移动机器人导航.
- 在DRL中集成内存模块提高了其处理长期依赖的能力,这对于复杂的导航任务至关重要.
- 这种方法显著降低了培训难度,并提高了DRL在现实世界机器人导航场景中的实际适用性.
