基于 DRQN 的有限视场三维避障
机器人学
2021-08-16 v1
摘要
本文提出一种基于地图的端到端深度强化学习（DRL）方法，用于部分可观测环境中的三维（3D）避障，并应用于配备窄视场深度相机的室内移动机器人自主导航。我们首先在移动机器人三维仿真器中训练带 LSTM 单元的神经网络，以逼近双 DRQN 中的 Q 值函数，并采用课程学习策略加速和稳定训练过程。随后将训练好的模型部署到真实机器人上执行导航中的三维避障。我们在仿真环境及真实机器人上对所提方法进行了评估。实验结果表明该方法高效且易于部署，在窄观测角度的三维避障中表现良好，成功率较其他现有基于 DRL 的模型高出 15.5%。
引用
@article{arxiv.2108.05962,
title = {DRQN-based 3D Obstacle Avoidance with a Limited Field of View},
author = {Yu'an Chen and Guangda Chen and Lifan Pan and Jun Ma and Yu Zhang and Yanyong Zhang and Jianmin Ji},
journal= {arXiv preprint arXiv:2108.05962},
year = {2021}
}
备注
7 pages, 5 figures