基于深度强化学习的地面车辆越野地形多目标路径规划
机器人学
2023-07-13 v2 人工智能
摘要
由于上坡与下坡能耗差异巨大，在复杂越野地形环境（2.5D 地图）上最短长度的路径并非总是能耗最少的路径。对于任何能耗敏感车辆，在 2.5D 路径规划中实现距离与能耗的良好权衡具有重要意义。本文提出一种基于深度强化学习的 2.5D 多目标路径规划方法（DMOP）。DMOP 可通过三步高效找到期望路径：（1）将高分辨率 2.5D 地图转换为小尺寸地图；（2）使用训练好的深度 Q 网络（DQN）在小尺寸地图上寻找期望路径；（3）通过路径增强方法将规划路径映射回原始高分辨率地图。此外，采用混合探索策略与奖励塑形理论训练 DQN。奖励函数由地形、距离与边界信息构建。仿真结果表明，所提方法能以极高效率完成多目标 2.5D 路径规划任务。在规划路径相近的情况下，所提方法速度比 A* 方法快 100 倍以上，比 H3DM 方法快 30 倍以上。仿真还证明该方法具备强大的推理能力，可完成任意未训练的规划任务。
引用
@article{arxiv.2305.13783,
title = {Deep Reinforcement Learning-based Multi-objective Path Planning on the Off-road Terrain Environment for Ground Vehicles},
author = {Shuqiao Huang and Xiru Wu and Guoming Huang},
journal= {arXiv preprint arXiv:2305.13783},
year = {2023}
}
备注
9 pages,8 figures