FH-DRL：基于指数-双曲线前沿 heuristics 与 DRL 的快速探索框架
机器人学
2025-02-14 v2 人工智能
系统与控制
系统与控制
摘要
大规模或杂乱环境中的自主机器人探索仍是智能车辆应用中的核心挑战，其中部分或缺乏的先验地图限制了可靠导航。本文引入 FH-DRL，一种新框架，将可自定义的启发式函数用于前沿检测，集成 Twin Delayed DDPG (TD3) 代理，用于连续、高速的局部导航。 proposed 启发式依赖于指数-双曲线距离评分，平衡即时接近性与远期探索收益，以及基于占据的随机度量，实时考虑环境的开放程度和障碍密度。通过对前沿使用这些自适应度量进行排序，FH-DRL 目标是高度信息性且可操作的 waypoint，从而最小化冗余路径和总探索时间。我们全面评估了 FH-DRL 在多个模拟和实际场景中的表现，证明其在旅行距离和完成时间方面明显优于仅使用前沿或纯 DRL 基于的探索。在结构化走廊布局和迷宫样拓扑中，本体 consistently 优于诸如最近前沿、Cognet 前沿探索和以目标驱动的自主探索等标准方法。实际测试使用 Turtlebot3 平台进一步确认了对先前未见或杂乱室内空间的稳健适应。结果突显 FH-DRL 作为大规模或部分已知环境中前沿探索的高效和通用方法，为各种自动驾驶、工业和服务机器人任务提供了有前景的方向。
引用
@article{arxiv.2407.18892,
title = {FH-DRL: Exponential-Hyperbolic Frontier Heuristics with DRL for accelerated Exploration in Unknown Environments},
author = {Seunghyeop Nam and Tuan Anh Nguyen and Eunmi Choi and Dugki Min},
journal= {arXiv preprint arXiv:2407.18892},
year = {2025}
}