面向真实世界动态场景的深度强化学习规划器
机器人学
2022-10-21 v1
摘要
动态环境中的自主导航是自主机器人一项复杂但必不可少的任务。近期的深度强化学习方法在解决该问题上展现出有前景的结果，但问题尚未解决，因为它们通常假设无机器人运动动力学限制、全向运动或完美环境知识。此外，由于难以针对可能场景的巨大差异性生成真实世界训练数据，大多数算法在真实世界中失败。在本工作中，我们提出一种新颖的规划器 DQN-DOVS，其在描述性的机器人中心速度空间模型上使用深度强化学习，以在高度动态环境中导航。它通过在忠实复现真实世界的模拟器上采用智能课程学习方法进行训练，缩小了现实与仿真之间的差距。我们在具有不同障碍物数量的场景中测试所得算法，并与许多最先进（SOTA）方法比较，获得了更优性能。最后，我们在地面机器人上使用该算法，采用与仿真实验相同的设置。
引用
@article{arxiv.2210.11392,
title = {Deep reinforcement learning oriented for real world dynamic scenarios},
author = {Diego Martinez and Luis Riazuelo and Luis Montano},
journal= {arXiv preprint arXiv:2210.11392},
year = {2022}
}
备注
Perception and Navigation for Autonomous Robotics in Unstructured and Dynamic Environments (PNARUDE) workshop in IROS 2022