人类意识到风险的安全路径规划基于自主移动机器人的强化学习.
Zhongjie Long1, Xianbo Zhang1, Jian Mi2
1College of Mechanical and Electrical Engineering, Key Laboratory of the Ministry of Education for Modern Measurement and Control Technology, Beijing Information Science & Technology University, Beijing 102206, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
本研究介绍了人类环境中的机器人强化学习路径规划算法. 它通过预测人类运动的不确定性,显著减少了冲突,提高了成功率.
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
- 人与机器人的交互
背景情况:
- 移动机器人在人类共享的空间中运行,人类的移动不可预测.
- 确保机器人路径规划的安全性和效率在人类随机性中是一个重大挑战.
研究的目的:
- 开发基于强化学习的路径规划算法,用于人类共享环境中的移动机器人.
- 在规划阶段考虑与人类相关的不确定性,以实现更安全的机器人导航.
主要方法:
- 马尔科夫决策过程的学习者生成候选路径.
- 一个路径消除模块确保了使用新型指标的多样性.
- 一个蒙特卡洛模拟的人类风险预测器选择最安全的路径.
主要成果:
- 与A*,MDP和RRT相比,提出的方法显著减少了冲突.
- 在各种设置中,任务成功率大大提高.
- 在多个人类的高密度场景中表现出有效性.
结论:
- 集成的算法可以实现安全和高效的机器人轨迹生成.
- 它有效地处理随机的人类行为,而无需不断重新规划.
- 该方法为现实世界的人机器人协作提供了一个强大的解决方案.


