被禁用传感器环境下深化强化学习导航基准测试
机器人学
2024-10-21 v1 人工智能
机器学习
摘要
深化强化学习(DRL)用于实现未知环境中的自主导航。大多数研究假设传感器数据完好，但现实环境可能包含自然和人造的传感器噪声和禁用现象。本文提出了包含可配置传感器禁用效应的导航任务基准测试，评估了广泛使用的和新兴的DRL算法。特别关注不同DRL方法（如基于模型无PPO vs. 基于模型的DreamerV3）受传感器禁用影响的程度。我们表明DreamerV3在具有动态目标的视觉端到端导航任务中超越其他方法，而其他方法无法学习这一任务。此外，DreamerV3在传感器受限环境下通常优于其他方法。为提高鲁棒性，我们采用对抗训练，虽在标准环境中性能略有下降，但在受限环境中表现提升。我们预计，这一不同DRL方法的基准测试以及对抗训练的使用，将为开发更精细的导航策略提供起点，这些策略能够处理不确定和受限的传感器读取。
引用
@article{arxiv.2410.14616,
title = {Benchmarking Deep Reinforcement Learning for Navigation in Denied Sensor Environments},
author = {Mariusz Wisniewski and Paraskevas Chatzithanos and Weisi Guo and Antonios Tsourdos},
journal= {arXiv preprint arXiv:2410.14616},
year = {2024}
}
备注
31 pages, 19 figures. For associated code, see https://github.com/mazqtpopx/cranfield-navigation-gym