激光雷达配置对基于目标的导航在深度强化学习框架中的影响
Kabirat Bolanle Olayemi1, Mien Van1, Sean McLoone1
1School of Electronics, Electrical Engineering and Computer Science, Queen's University Belfast, Belfast BT9 5AG, UK.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究通过计算LiDAR传感器的最佳视野 (FOV) 来优化机器人导航的深度强化学习 (DRL). 提出的方法在避免碰撞和路径规划方面取得了98%的成功率.
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
- 传感器技术 传感器技术
背景情况:
- 深度强化学习 (DRL) 显示出自主机器人导航的前景.
- 目前的DRL方法通常使用宽视野 (FOV) LiDAR传感器,这些传感器昂贵且不适合小规模应用.
- 优化传感器配置对于有效的基于DRL的导航至关重要.
研究的目的:
- 调查LiDAR传感器配置对DRL模型性能对无地图机器人导航的影响.
- 提出一种新的方法来确定DLR中LiDAR传感器的最佳FOV.
- 在DRL模型中增强避免碰撞和路径规划能力.
主要方法:
- 基于传感器宽度和最小安全距离计算最佳FOV的新方法.
- 使用FOV中的LiDAR光束,机器人速度,定向和目标距离作为DRL输入状态.
- 定义了避免碰撞和路径规划作为DRL模型的奖励函数.
- 训练并验证了DRL模型与调整的FOV (±10°) 来评估性能.
主要成果:
- 拟议的LiDAR配置与计算的FOV实现了98%的成功率.
- 优化的DRL模型显示时间复杂性较低,为0.25 m/s.
- 在Husky机器人上的实验验证证证了该模型的现实应用性和性能.
结论:
- 计算FOV显著提高了自主机器人导航和路径规划的DRL性能.
- 这种方法通过优化现有的LiDAR传感器配置,提供了具有成本效益的解决方案.
- 这些发现适用于需要有效避免碰撞和导航的现实世界机器人系统.
