CoverNav：基于深度强化学习的非结构化户外环境隐蔽跟随导航规划
机器人学
2023-08-15 v1 机器学习
摘要
越野环境中的自主导航已在机器人领域得到广泛研究。然而，自主车辆需对外部观察者保持隐蔽的隐蔽情形下的导航仍是一个未被充分探索的领域。本文中，我们提出一种新颖的基于深度强化学习（DRL）的算法，称为 CoverNav，用于在存在观察者的越野地形与丛林环境中以最小代价识别隐蔽且可通行的轨迹。CoverNav 聚焦于无人地面车辆在前往预定义目的地的同时寻找掩体并利用掩护。我们提出的 DRL 方法计算局部代价地图，借助由 3D 点云数据、机器人位姿与有向目标信息生成的 elevation map，帮助区分哪条路径能在保持低代价轨迹的同时提供最大隐蔽性。CoverNav 利用奖励函数帮助机器人智能体学习低海拔地形，并在其经历高海拔时按比例惩罚。若发现观察者，CoverNav 使机器人选择自然障碍物（如岩石、房屋、报废车辆、树木等）并以其作为掩体藏匿。我们使用 Unity 仿真环境评估 CoverNav，并表明当输入由另一基于 DRL 的导航算法生成的 elevation map 时，它可保证地形中动力学可行的速度。此外，我们评估了 CoverNav 在不同有无掩护物体的海拔场景中达到最大 12 米目标距离的有效性及成功率。我们观察到其具有可与 state of the art (SOTA) 方法媲美的性能且不牺牲精度。
引用
@article{arxiv.2308.06594,
title = {CoverNav: Cover Following Navigation Planning in Unstructured Outdoor Environment with Deep Reinforcement Learning},
author = {Jumman Hossain and Abu-Zaher Faridee and Nirmalya Roy and Anjan Basak and Derrik E. Asher},
journal= {arXiv preprint arXiv:2308.06594},
year = {2023}
}