ColorDynamic：面向非结构化动态环境的通用、可扩展、实时的端到端局部规划器
机器人学
2025-02-28 v1 人工智能
摘要
深度强化学习（DRL）在解决机器人局部规划问题方面已展现出潜力，但其效能在高度非结构化和动态环境中仍受限。为此，本文提出ColorDynamic框架。首先建立端到端DRL模型，将原始传感器数据直接映射到控制指令，从而确保与非结构化环境的兼容性。在此模型下，引入新型网络Transqer。Transqer使在线DRL能从时序转换中进行学习，显著提升动态场景下的决策能力。为促进Transqer在多样化数据上的可扩展训练，开发了高效仿真平台E-Sparrow，以及基于对称不变性的数据增强技术。对比评估了与最新方法的性能，并考察了方法的通用性、可扩展性和实时性，验证了ColorDynamic的有效性。结果表明，该方法成功率超过90%，且具备实时性能（每规划仅需1.2-1.3毫秒）。此外，还进行了消融研究以证明各组成部分的贡献。基于此，本文提出OkayPlan-ColorDynamic（OPCD）导航系统，仿真与实际环境实验均显示其在复杂场景中的优势与适用性。该代码及实验演示已在官网开源，以便可重复性研究和后续探索。
引用
@article{arxiv.2502.19892,
title = {ColorDynamic: Generalizable, Scalable, Real-time, End-to-end Local Planner for Unstructured and Dynamic Environments},
author = {Jinghao Xin and Zhichao Liang and Zihuan Zhang and Peng Wang and Ning Li},
journal= {arXiv preprint arXiv:2502.19892},
year = {2025}
}
备注
18 pages