EnCoMP：基于离线强化学习的自适应威胁感知可见性估计增强隐蔽机动规划
机器人学
2024-05-29 v2 机器学习
摘要
在复杂环境中运行的自主机器人面临一个关键挑战：识别并利用环境遮蔽进行隐蔽导航，以最小化对潜在威胁的暴露。我们提出了EnCoMP，一个增强的导航框架，它集成了离线强化学习和我们新颖的自适应威胁感知可见性估计算法（ATAVE），使机器人能够在多样化的户外环境中隐蔽且高效地导航。ATAVE是一种动态概率威胁建模技术，我们设计它来实时持续评估和缓解潜在威胁，通过适应不断变化的环境和威胁条件来增强机器人隐蔽导航的能力。此外，我们的方法从LiDAR点云生成高保真多地图表示，包括遮蔽地图、潜在威胁地图、高度地图和目标地图，提供对环境的全面理解。这些多地图提供了详细的环境信息，有助于战略导航决策。目标地图编码了到目标位置的相对距离和方向，引导机器人导航。我们在从真实环境收集的大规模数据集上训练了一个保守Q学习（CQL）模型，学习一个鲁棒策略，最大化遮蔽利用，最小化威胁暴露，并保持高效导航。我们在物理Jackal机器人上展示了我们方法的能力，在多种地形上进行了广泛实验。这些实验表明，EnCoMP相比最先进方法具有优越性能，实现了95%的成功率、85%的遮蔽利用率，并将威胁暴露降低到10.5%，同时在导航效率和鲁棒性上显著优于基线。
引用
@article{arxiv.2403.20016,
title = {EnCoMP: Enhanced Covert Maneuver Planning with Adaptive Threat-Aware Visibility Estimation using Offline Reinforcement Learning},
author = {Jumman Hossain and Abu-Zaher Faridee and Nirmalya Roy and Jade Freeman and Timothy Gregory and Theron T. Trout},
journal= {arXiv preprint arXiv:2403.20016},
year = {2024}
}
备注
Paper under review