基于随机奖励关联目标与潜在空间应用的深度学习路径规划
机器学习
2019-09-16 v1 人工智能
机器人学
系统与控制
系统与控制
机器学习
摘要
空间探索任务中越来越多地使用了具有更高自主性的复杂机器人系统。深度学习有望将这一趋势进一步推进，并在高层任务（如路径规划）以及低层任务（如运动控制）上具有应用价值，而这些是任务效率与成功的关键组成部分。我们利用深度强化端到端学习，在训练时使用随机化的奖励函数参数，教会一个模拟的8自由度四足类蚁机器人在边界内任意移动，在单一神经网络上完成路径规划与运动控制，而无需任何系统模型或对环境地形的先验知识。我们的方法还支持用户指定路点，这可良好地迁移至遇到时延的完全自主或半自主/遥操作空间应用。我们通过将随机生成的与奖励函数关联的路点作为神经网络输入来训练智能体。此类应用在多种空间探索机器人上展现出前景，包括用于快速移动的高速巡视器以及用于崎岖地形的足式洞穴机器人。
引用
@article{arxiv.1909.06034,
title = {Deep Learned Path Planning via Randomized Reward-Linked-Goals and Potential Space Applications},
author = {Tamir Blum and William Jones and Kazuya Yoshida},
journal= {arXiv preprint arXiv:1909.06034},
year = {2019}
}
备注
8 pages, 3 tables, 5 figures