基于深度强化学习的混合空水航行器跨介质无地图导航
机器人学
2021-03-30 v2
摘要
自 Deep Q-Learning 应用于 Atari 类游戏的连续动作域以来，用于运动控制的深度强化学习（Deep-RL）技术在质量上得到了提升。如今，现代 Deep-RL 可成功应用于解决多种类型载具的广泛复杂决策任务。基于此背景，本文提出使用 Deep-RL 为混合无人空水航行器（HUAUVs，可在空气或水介质中作业的机器人）执行自主无地图导航。我们开发了两种方法，一种确定性，另一种随机性。我们的系统利用航行器的相对定位与简单稀疏距离数据训练网络。我们将所提方法与传统的几何跟踪控制器用于无地图导航进行比较。基于实验结果，我们可得出结论：基于 Deep-RL 的方法可成功用于 HUAUVs 的无地图导航与避障。我们的航行器在两种场景中完成了导航，能够通过两种环境抵达期望目标，甚至在避障能力上优于基于几何的跟踪控制器。
引用
@article{arxiv.2103.12883,
title = {Deep Reinforcement Learning for Mapless Navigation of a Hybrid Aerial Underwater Vehicle with Medium Transition},
author = {Ricardo Bedin Grando and Junior Costa de Jesus and Victor Augusto Kich and Alisson Henrique Kolling and Nicolas Pieper Bortoluzzi and Pedro Miranda Pinheiro and Armando Alves Neto and Paulo Lilles Jorge Drews-Jr},
journal= {arXiv preprint arXiv:2103.12883},
year = {2021}
}
备注
Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2021