基于深度强化学习的机器人导航中社会力模型奖励的效应
机器人学
2019-12-10 v1 机器学习
摘要
本文提出将社会力模型(SFM)引入一种具体的深度强化学习(RL)框架中,用于机器人导航。这类技术已被证明有助于应对不同类型环境以达成目标。在深度RL中,描述世界的状态描述以及适应环境的奖励是获得期望行为并实现高性能的关键要素。为此,本工作在状态中加入了基于SFM的稠密奖励函数,并将力作为附加描述使用。此外,还加入了障碍物,以改进仅考虑运动智能体的工作行为。这种SFM的引入能为导航提供更好的障碍物描述。我们进行了若干仿真以检验这些修改对平均性能的影响。
引用
@article{arxiv.1912.03747,
title = {Effects of a Social Force Model reward in Robot Navigation based on Deep Reinforcement Learning},
author = {Óscar Gil Viyuela and Alberto Sanfeliu},
journal= {arXiv preprint arXiv:1912.03747},
year = {2019}
}
备注
This is a preprint. This paper has been accepted to the fourth Iberian Robotics Conference (Robot 2019)