利用神经网络在未知环境中进行端到端导航
机器人学
2017-07-25 v1
摘要
我们研究神经网络如何学习用于未知环境中导航的感知-动作循环。具体而言，我们考虑如何学习在充满死胡同的环境中导航，这些死胡同代表机器人可能陷入的凸局部最小值，而非找到一组能将其带到目标的可行动作。传统方法依赖于维护全局地图来解决克服长死胡同的问题。然而，由于局部和全局漂移引起的误差，长时间维护这样的地图极具挑战性。缓解此问题的一种方法是使用学习技术，这些技术不依赖于手工设计的地图表示，而是直接从其感官输入输出适当的控制策略。我们首先证明，由于环境的稀疏奖励结构，此类问题无法直接通过深度强化学习解决。此外，我们证明深度监督学习也不能直接用于解决此问题。然后，我们研究了提供强化学习和监督学习组合的网络模型，并强调了向此类网络添加完全可微记忆单元的重要性。我们评估了网络对新环境的泛化能力，并表明向此类网络添加记忆可带来巨大的性能飞跃。
引用
@article{arxiv.1707.07385,
title = {End-to-End Navigation in Unknown Environments using Neural Networks},
author = {Arbaaz Khan and Clark Zhang and Nikolay Atanasov and Konstantinos Karydis and Daniel D. Lee and Vijay Kumar},
journal= {arXiv preprint arXiv:1707.07385},
year = {2017}
}
备注
Workshop on Learning Perception and Control for Autonomous Flight: Safety, Memory and Efficiency, Robotics Science and Systems 2017