基于深度强化学习的宏动作拓扑图导航
机器学习
2025-04-28 v1
摘要
本文解决了在大型视觉复杂环境中稀疏奖励下的导航挑战。我们提出一种方法，使用基于对象的宏动作和拓扑图，使简单的深度 Q 网络 (DQN) 能够学习有效的导航策略。智能体通过检测 RGBD 输入中的对象，并选择对应导航至这些对象的离散宏动作来构建地图。这种抽象显著降低了底层强化学习问题的复杂性，并使对未见环境的泛化成为可能。我们在逼真的 3D 模拟环境中进行评估，表明在即时奖励和终端奖励条件下均显著优于随机基线。我们的结果表明，拓扑结构和宏观层次抽象即使仅凭像素数据也能实现样本高效学习。
引用
@article{arxiv.2504.18300,
title = {Deep Reinforcement Learning Based Navigation with Macro Actions and Topological Maps},
author = {Simon Hakenes and Tobias Glasmachers},
journal= {arXiv preprint arXiv:2504.18300},
year = {2025}
}
备注
14 pages, 6 figures