All-in-One：基于DRL结合最先进导航规划器的控制切换器
机器人学
2021-09-27 v1
摘要
移动机器人的自主导航在配送、辅助或物流等应用场景中是一个重要方面。尽管传统规划方法已良好集成于现有导航系统，但其在高度动态环境中表现不佳。另一方面，基于深度强化学习（Deep-Reinforcement-Learning, DRL）的方法在动态避障中展现出优越性能，但不适用于长距离导航且易陷入局部极小。本文提出一种基于DRL的控制切换器，其仅基于传感器数据观测即可在不同规划范式间进行选择。为此，我们开发了一个接口以高效运行多个基于模型的以及基于学习的局部规划器，并集成多种由控制切换器选择的最先进（state-of-the-art, SOTA）规划器。随后我们将本方法与各规划器单独进行对比评估，发现尤其在高度动态场景中的导航性能有所提升。我们的规划器能够在障碍物数量多的情境中优先采用基于学习的方法，而在长走廊或空旷区域依赖传统基于模型的规划器。
引用
@article{arxiv.2109.11636,
title = {All-in-One: A DRL-based Control Switch Combining State-of-the-art Navigation Planners},
author = {Linh Kästner and Johannes Cox and Teham Buiyan and Jens Lambrecht},
journal= {arXiv preprint arXiv:2109.11636},
year = {2021}
}
备注
7 pages, 7 figures