基于深度强化学习的维度可变无地图导航
机器人学
2024-10-30 v3
摘要
深度强化学习(DRL)在训练无地图机器人导航的控制智能体方面展现出可观前景。然而，经 DRL 训练的智能体受限于训练时所用特定机器人维度，当机器人因任务需求改变维度时其适用性受阻。为克服该限制，我们提出一种基于 DRL 的维度可变机器人导航方法。我们的方法包括在仿真中训练一个元智能体，随后使用一种称为维度可变技能迁移(DVST)的技术将元技能迁移至维度变化的机器人。在训练阶段，面向元机器人的元智能体利用 DRL 学习自主导航技能。在技能迁移阶段，来自维度变化机器人的观测被缩放并迁移至元智能体，所得控制策略再缩放回维度变化的机器人。通过大量仿真与真实世界实验，我们证明了维度变化的机器人无需任何重训练即可在未知动态环境中成功导航。结果表明，我们的工作大幅扩展了基于 DRL 的导航方法的适用性，使其可用于不同维度的机器人而不受固定维度限制。我们的实验视频见补充文件。
引用
@article{arxiv.2002.06320,
title = {Dimension-variable Mapless Navigation with Deep Reinforcement Learning},
author = {Wei Zhang and Yunfeng Zhang and Ning Liu and Kai Ren},
journal= {arXiv preprint arXiv:2002.06320},
year = {2024}
}
备注
9 pages, 15 figures. This work will be submitted to the IEEE for possible publication