移动机器人基于低维感知导航的深度强化学习确定性与随机性分析
机器人学
2022-09-15 v1 人工智能
摘要
深度强化学习（Deep-RL）中的确定性与随机性技术已成为改善各类机器人运动控制与决策任务的有前景方案。先前工作表明，这些 Deep-RL 算法通常可用于执行移动机器人的无地图导航。然而，它们往往使用简单的感知策略，因为已有研究表明其在高维状态空间（例如基于图像感知所产生的空间）下表现不佳。本文对两种 Deep-RL 技术——深度确定性策略梯度（DDPG）与软 actor-critic（SAC）——在执行移动机器人无地图导航任务时进行比较分析。我们旨在通过展示神经网络架构如何影响学习本身来做出贡献，给出基于每种方法的空中移动机器人导航时间与距离的定量结果。总体而言，我们对六种不同架构的分析强调，随机性方法（SAC）更适配更深的架构，而确定性方法（DDPG）则相反。
引用
@article{arxiv.2209.06328,
title = {Deterministic and Stochastic Analysis of Deep Reinforcement Learning for Low Dimensional Sensing-based Navigation of Mobile Robots},
author = {Ricardo B. Grando and Junior C. de Jesus and Victor A. Kich and Alisson H. Kolling and Rodrigo S. Guerra and Paulo L. J. Drews-Jr},
journal= {arXiv preprint arXiv:2209.06328},
year = {2022}
}
备注
Paper accepted at the Latin American Robotics Symposium 2022