AutoVRL：面向仿真到现实深度强化学习的高保真自主地面车辆模拟器
机器人学
2023-09-04 v2
摘要
深度强化学习（DRL）使认知型自主地面车辆（AGV）能够利用原始传感器数据在无先验地图或GPS的情况下进行导航，这在自然灾害发生区域和地外行星等危险、信息匮乏的环境中是必需的。学习最优DRL策略所需的漫长训练时间（复杂任务可能需数天或数周）是AGV应用实际部署的主要障碍。训练需要在较长时间内与环境反复碰撞，依任务复杂度而定，以强化特定的正向探索行为，而在现实世界中此举代价高昂且耗时。有效弥合仿真到现实的差距是DRL在复杂AGV应用中成功实施的先决条件，从而实现高性价比策略的学习。我们提出AutoVRL，一个基于Bullet物理引擎构建的开源高保真模拟器，利用OpenAI Gym和PyTorch中的Stable Baselines3训练AGV的DRL智能体以实现仿真到现实策略迁移。AutoVRL配备了GPS、IMU、LiDAR和相机的传感器实现、AGV控制的执行器以及逼真环境，并支持新环境和AGV模型的扩展。该模拟器提供最先进的DRL算法，利用Python接口进行简单的算法与环境定制及仿真执行。
引用
@article{arxiv.2304.11496,
title = {AutoVRL: A High Fidelity Autonomous Ground Vehicle Simulator for Sim-to-Real Deep Reinforcement Learning},
author = {Shathushan Sivashangaran and Apoorva Khairnar and Azim Eskandarian},
journal= {arXiv preprint arXiv:2304.11496},
year = {2023}
}
备注
$\copyright$ 2023 the authors. This work has been accepted to IFAC for publication under a Creative Commons License CC-BY-NC-ND