基于速度范围的奖励塑造技术,用于有效的无地图导航,使用LiDAR传感器和深度强化学习学习
HyeokSoo Lee1,2, Jongpil Jeong1
1Department of Smart Factory Convergence, AI Factory Lab, Sungkyunkwan University, Suwon, Republic of Korea.
Frontiers in neurorobotics
|September 25, 2023
概括
本研究介绍了使用LiDAR传感器和深度强化学习的自主移动机器人的最佳路径规划方法. 它可以在未绘制的工业环境中进行导航,提高物流和制造效率.
科学领域:
- 机器人和人工智能 机器人和人工智能
- 传感器技术 传感器技术
- 自主系统 自主系统
背景情况:
- 传感器硬件和人工智能的进步使机器人具有类似人类的感觉和认知能力.
- 这些技术正在迅速改变各种行业,特别是机器人,导致前所未有的性能水平.
研究的目的:
- 为在未绘制的工业环境中建立移动机器人自动驾驶的最佳路径规划策略.
- 利用LiDAR传感器和深度强化学习来增强机器人导航.
主要方法:
- 移动机器人硬件,LiDAR传感器特性和自动驾驶核心技术的审查.
- 研究深度强化学习算法,定义用于数据转换的深度神经网络,以及用于路径规划的奖励函数.
- 开发和使用模拟环境来测试自主路径规划.
主要成果:
- 在模拟环境中成功验证了自主路径规划的实验验证.
- 提出并验证"基于速度范围的评估方法",以改善与现实应用相关的性能指标.
结论:
- 拟议的方法有效地实现了移动机器人的自动驾驶和最佳路径规划,在复杂的,未绘制的环境中.
- 这项研究为在物流和制造环境中应用先进的机器人和人工智能技术提供了宝贵的指导.
