硬件高效的直接政策模拟学习,用于在资源有限的环境中进行机器人导航.
Vidura Sumanasena1, Heshan Fernando2, Daswin De Silva1
1Research Centre for Data Analytics and Cognition, La Trobe University, Bundoora, VIC 3083, Australia.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
本研究介绍了一种轻量级的直接政策学习 (DPL) 方法,用于训练移动机器人,提高导航和安全性. 该方法在模拟和现实环境中快速实现专家级别的性能.
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:
- 直接政策学习 (DPL) 是有效移动机器人培训的关键.
- 现实世界DPL面临的人类专业知识和绩效测量方面的挑战.
- 资源限制限制了自主系统中的深度学习.
研究的目的:
- 为移动机器人导航开发一种轻量级的DPL方法.
- 整合安全政策,以加强机器人和环境保护.
- 评估该方法在模拟和现实场景中的有效性.
主要方法:
- 实施了用于导航任务的轻量级DPL框架.
- 整合了安全政策与主要的航行政策.
- 在模拟和物理环境中进行评估.
主要成果:
- 轻量级DPL方法在硬件密集型方法中表现出更好的性能.
- 在15次培训代中实现了专家级别的表现.
- 展示了从模拟到现实世界应用的高效可转移性.
结论:
- 拟议的轻量级DPL方法在训练移动机器人方面是有效的.
- 它为资源有限的自主系统提供了实用解决方案.
- 这种方法提高了安全性,并加速了在导航任务中的学习.


