基于深度强化学习的移动机器人无地图人群导航及移动人群感知风险
机器人学
2023-09-26 v2 人工智能
机器学习
摘要
当前最先进的人群导航方法主要基于深度强化学习（DRL）。然而，基于DRL的方法存在泛化和可扩展性不足的问题。为克服这些挑战，我们提出一种方法，在观测空间中引入碰撞概率（CP），使机器人感知移动人群的危险程度，以帮助机器人在具有未知行为的人群中安全导航。我们研究了导航时需注意的移动障碍物数量变化的影响。训练期间，我们生成局部航点以增加奖励密度并提升系统学习效率。我们的方法使用深度强化学习（DRL）开发，并在Gazebo模拟器中于非合作人群环境下以随机速度和方向移动的障碍物中进行训练。随后我们在四种不同人群行为场景上评估了模型。结果表明，我们的方法在所有测试设置中均达到100%成功率。我们将方法与当前最先进的基于DRL的方法比较，我们的方法表现显著更优，尤其在社交安全性方面。重要的是，我们的方法可在不同人群行为中导航，且一次训练后无需微调。我们进一步在真实世界测试中展示了模型的群体导航能力。
引用
@article{arxiv.2304.03593,
title = {Deep Reinforcement Learning-Based Mapless Crowd Navigation with Perceived Risk of the Moving Crowd for Mobile Robots},
author = {Hafiq Anas and Ong Wee Hong and Owais Ahmed Malik},
journal= {arXiv preprint arXiv:2304.03593},
year = {2023}
}
备注
6 pages, 7 figures