Explore-Bench：基于前沿与深度强化学习的自主探索数据集、指标与评测
机器人学
2022-02-25 v1
摘要
使用单机器人或多机器人对未知地形进行自主探索与建图是移动机器人中的一项基本任务，因此已被广泛研究。然而，由于缺乏统一的数据集、指标和平台来评估探索方法，我们开发了名为 Explore-Bench 的自主机器人探索基准。该基准包含多种探索场景，并提出了两类定量指标来评估探索效率和多机器人协作。Explore-Bench 极为有用，因为近来深度强化学习（DRL）已被广泛用于机器人探索任务并取得了有前景的结果。然而，训练基于 DRL 的方法需要大型数据集，此外，当前基准依赖仿真速度慢的真实感模拟器，不适合训练探索策略。因此，为支持高效的 DRL 训练和全面评估，所提出的 Explore-Bench 设计了一个具有统一数据流和 加速的 3 级平台，包括用于快速评估和高效训练的基于栅格的模拟器、真实感 Gazebo 模拟器，以及用于物理环境中高精度测试的远程可访问机器人测试床。所提基准的实用性通过一种基于 DRL 和三种基于前沿的探索方法的应用得到凸显。此外，我们分析了性能差异并提供了关于探索方法选择与设计的一些见解。我们的基准可在 https://github.com/efc-robot/Explore-Bench 获取。
引用
@article{arxiv.2202.11931,
title = {Explore-Bench: Data Sets, Metrics and Evaluations for Frontier-based and Deep-reinforcement-learning-based Autonomous Exploration},
author = {Yuanfan Xu and Jincheng Yu and Jiahao Tang and Jiantao Qiu and Jian Wang and Yuan Shen and Yu Wang and Huazhong Yang},
journal= {arXiv preprint arXiv:2202.11931},
year = {2022}
}
备注
To be published in IEEE International Conference on Robotics and Automation (ICRA), May 23-27, 2022