基于DRL的导航系统的进化课程训练
机器人学
2023-10-27 v1 人工智能
机器学习
多智能体系统
摘要
近年来，深度强化学习（DRL）已成为一种有前景的机器人避障方法。然而，此类DRL模型常存在局限性，例如不能有效适应包含各类行人的结构化环境。为解决此困难，先前研究尝试了若干方法，包括通过集成航点规划器与DRL训练端到端方案，以及开发多模态方案以缓解DRL模型的缺陷。但这些方法遇到了若干问题，包括训练缓慢、可扩展性挑战以及不同模型间协调性差。为应对这些挑战，本文引入一种称为进化课程训练的新方法来解决这些挑战。进化课程训练的主要目标是评估避障模型在各类场景中的能力，并创建课程以提升其不足技能。本文提出一种创新评估技术，以评估DRL模型在结构化地图导航和规避动态障碍物中的表现。此外，一个进化训练环境生成所有课程，以改进在前述评估中测试出的DRL模型不足技能。我们在五种结构化环境中对模型性能进行基准测试，以验证该进化训练环境带来更高成功率和更低平均碰撞次数的假设。更多细节与结果见我们的项目网站。
引用
@article{arxiv.2306.08870,
title = {Evolutionary Curriculum Training for DRL-Based Navigation Systems},
author = {Max Asselmeier and Zhaoyi Li and Kelin Yu and Danfei Xu},
journal= {arXiv preprint arXiv:2306.08870},
year = {2023}
}
备注
Robotics: Science and Systems