基于深度强化学习的移动机器人在动态环境中的语义导航
机器人学
2020-08-04 v1
摘要
移动机器人在拣选、配送或危险环境作业等工业任务中的重要性日益增加。尤其在动态环境中安全自主导航的能力,是工业移动机器人学的重中之重。当前的导航方法依赖预先存在的静态地图,在动态环境中容易出错。此外,出于安全原因,它们往往依赖手工制定的安全准则,这使得系统灵活性差且响应缓慢。基于视觉的导航与高层语义有望通过建立智能体可推理的关联来提升路径规划的安全性,从而实现更灵活的导航。为此,我们提出了一种基于强化学习的局部导航系统,该系统仅基于视觉观测学习导航行为,以应对高度动态的环境。我们进而开发了一个简单而高效的模拟器——ARENA2D——能够生成高度随机化的训练环境并提供语义信息以训练我们的智能体。我们展示了相较于基于动态窗口方法(dynamic window approach)的传统基线方法,在安全性与鲁棒性方面取得了提升的结果。
引用
@article{arxiv.2008.00516,
title = {Deep-Reinforcement-Learning-Based Semantic Navigation of Mobile Robots in Dynamic Environments},
author = {Linh Kästner and Cornelius Marx and Jens Lambrecht},
journal= {arXiv preprint arXiv:2008.00516},
year = {2020}
}
备注
6 pages, 5 figures, IEEE International Conference on Automation Science and Engineering (CASE) 2020, Hong Kong