Arena-Bench：高动态环境中避障方法的基准测试套件
机器人学
2022-07-14 v2 系统与控制
系统与控制
摘要
安全自主导航的能力，尤其在动态环境中，对移动机器人至关重要。近年来，DRL方法在动态避障中展现出优越性能。然而，这些基于学习的方法常在专门设计的仿真环境中开发，难以与传统规划方法对比测试。此外，将这些方法集成并部署到真实机器人平台尚未完全解决。本文提出Arena-bench，一个用于在3D环境中于不同机器人平台上训练、测试和评估导航规划器的基准套件。它提供设计和生成用于自主导航的高动态评估世界、场景和任务的工具，并完全集成于机器人操作系统。为展示本套件功能，我们在平台上训练了一个DRL智能体，并在多项相关指标上将其与多种现有的基于模型与基于学习的导航方法比较。最后，我们将这些方法部署到真实机器人上，并证明了结果的可复现性。代码公开于github.com/ignc-research/arena-bench。
引用
@article{arxiv.2206.05728,
title = {Arena-Bench: A Benchmarking Suite for Obstacle Avoidance Approaches in Highly Dynamic Environments},
author = {Linh Kästner and Teham Bhuiyan and Tuan Anh Le and Elias Treis and Johannes Cox and Boris Meinardus and Jacek Kmiecik and Reyk Carstens and Duc Pichel and Bassel Fatloun and Niloufar Khorsandi and Jens Lambrecht},
journal= {arXiv preprint arXiv:2206.05728},
year = {2022}
}
备注
Robotics and Automation Letters (RA-L), 2022, 8 pages, 6 figures