突破视野限制：基于深度强化学习的意外障碍物导航策略
机器人学
2025-03-04 v1
摘要
深度强化学习 (DRL) 导航系统中的距离型奖励机制在动态环境中存在严重的安全局限，当视野受限时常导致碰撞。我们提出 DRL-NSUO (novel navigation strategy for unexpected obstacles)，一种针对意外障碍物的导航策略，利用激光雷达数据变化率作为动态环境感知要素。我们的方法融合了环境变化率约束和通过课程学习动态调整权重的复合奖励函数，使机器人能够在路径效率与安全最大化之间实现自主平衡。通过实施激光雷达数据的短程特征预处理，我们提高了对近距离障碍物的灵敏度。实验结果表明，该方法在复杂场景中显著提升了机器人和行人安全，优于传统 DRL 方法。在 BARN 导航数据集上评估时，我们的方法在 0.5 m/s 时成功率达到 94.0%，在 1.0 m/s 时成功率达到 91.0%，超越保守的障碍物扩张策略。这些结果验证了 DRL-NSUO 在人机协作环境中的增强实用性和安全性，包括智能物流应用。
引用
@article{arxiv.2503.01127,
title = {Beyond Visibility Limits: A DRL-Based Navigation Strategy for Unexpected Obstacles},
author = {Mingao Tan and Shanze Wang and Biao Huang and Zhibo Yang and Rongfei Chen and Xiaoyu Shen and Wei Zhang},
journal= {arXiv preprint arXiv:2503.01127},
year = {2025}
}