GRATE：一种基于图Transformer的深度强化学习方法，用于时间高效的自主机器人探索
机器人学
2025-09-17 v1
摘要
自主机器人探索（ARE）是机器人自主导航并绘制未知环境地图的过程。近期基于强化学习（RL）的方法通常将ARE形式化为定义在无碰撞信息图上的序列决策问题。然而，这些方法往往在图结构数据上的推理能力有限。此外，由于对机器人运动的考虑不足，由此产生的RL策略通常被优化以最小化行驶距离，而忽略了时间效率。为克服这些限制，我们提出了GRATE，这是一种基于深度强化学习（DRL）的方法，利用图Transformer有效捕捉信息图的局部结构模式和全局上下文依赖关系，从而增强模型在整个环境中的推理能力。此外，我们部署了一个卡尔曼滤波器来平滑路径点输出，确保生成的路径在运动动力学上对机器人是可行的。实验结果表明，在各种仿真基准测试中，我们的方法比最先进的传统和基于学习的基线方法表现出更好的探索效率（完成探索的距离缩短高达21.5%，时间缩短高达21.3%）。我们还在真实场景中验证了我们的规划器。
引用
@article{arxiv.2509.12863,
title = {GRATE: a Graph transformer-based deep Reinforcement learning Approach for Time-efficient autonomous robot Exploration},
author = {Haozhan Ni and Jingsong Liang and Chenyu He and Yuhong Cao and Guillaume Sartoretti},
journal= {arXiv preprint arXiv:2509.12863},
year = {2025}
}