利用双深度强化学习技术增强地面移动机器人的低维感知无地图导航
机器人学
2023-10-24 v1 人工智能
摘要
在本研究中，我们提出深度强化学习（Deep-RL）领域内两种不同方法，旨在增强地面移动机器人的无地图导航。研究方法主要包括基于基础深度Q网络（DQN）算法的Deep-RL策略与基于双深度Q网络（DDQN）算法的替代方法之间的比较分析。这些方法的智能体利用来自激光测距采样的24个测量值，结合智能体相对于目标的位置差与朝向。该数据组合影响智能体的导航决策，最终决定机器人的速度。通过采用所提出的这种精简感知框架，我们成功展示了智能体的训练过程，使其能熟练执行导航任务并灵活规避障碍。值得注意的是，此成果不依赖于图像中心方法所固有的复杂感知输入。所提方法在三种不同真实环境中评估，表明双深度结构相较简单Q结构显著增强了移动机器人的导航能力。
引用
@article{arxiv.2310.13809,
title = {Enhanced Low-Dimensional Sensing Mapless Navigation of Terrestrial Mobile Robots Using Double Deep Reinforcement Learning Techniques},
author = {Linda Dotto de Moraes and Victor Augusto Kich and Alisson Henrique Kolling and Jair Augusto Bottega and Ricardo Bedin Grando and Anselmo Rafael Cukla and Daniel Fernando Tello Gamarra},
journal= {arXiv preprint arXiv:2310.13809},
year = {2023}
}