ARiADNE：一种基于注意力深度网络强化学习的探索方法
摘要
在自主机器人探索任务中，移动机器人需要尽快主动探索并建图未知环境。由于在探索过程中环境逐步显现，机器人需要根据机载传感器获取的新信息并更新其局部地图，频繁地在线重规划路径。尽管最先进的探索规划器基于前沿与采样，受深度强化学习（DRL）近期发展的鼓舞，我们提出 ARiADNE，一种基于注意力的神经方法，用于自主探索的实时、非短视路径规划。ARiADNE 能够学习智能体局部地图各区域间多空间尺度的依赖关系，并隐式预测探索这些区域的潜在收益。这使得智能体能够排序移动动作，以平衡已知区域中地图利用/细化与新区探索之间的自然权衡。我们通过实验证明，在数百个简化的 2D 室内场景中，就完成探索的平均轨迹长度而言，我们的方法优于基于学习与不基于学习的最先进基线。我们进一步在高保真 Robot Operating System (ROS) 仿真中验证了方法，其中考虑了真实传感器模型与 realistic 底层运动控制器，以迈向真实机器人部署。
引用
@article{arxiv.2301.11575,
title = {ARiADNE: A Reinforcement learning approach using Attention-based Deep Networks for Exploration},
author = {Yuhong Cao and Tianxiang Hou and Yizhuo Wang and Xian Yi and Guillaume Sartoretti},
journal= {arXiv preprint arXiv:2301.11575},
year = {2023}
}
备注
\c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works