HDPlanner：通过分层决策网络推进未知环境中的自主部署
机器人学
2024-08-08 v1
摘要
在本文中，我们提出了 HDPlanner，一个基于深度强化学习（DRL）的框架，旨在解决移动机器人的两个核心且具有挑战性的任务：自主探索与导航，其中机器人必须在未知环境中通过持续交互来自适应地优化其轨迹以实现任务目标。具体而言，HDPlanner 依赖于新颖的分层注意力网络，使机器人能够在多个空间尺度上推理其信念并序列化协作决策，其中我们的网络将长期目标分解为短期信息性任务分配和信息性路径规划。我们进一步提出了基于对比学习的联合优化以增强 HDPlanner 的鲁棒性。我们在广泛的仿真中经验性地证明了 HDPlanner 显著优于最先进的传统和基于学习的基线，包括数百个测试地图和大规模、复杂的 Gazebo 环境。值得注意的是，HDPlanner 实现了实时规划，与探索基线相比，行驶距离减少了高达 35.7%，与导航基线相比减少了高达 16.5%。此外，我们在硬件上验证了我们的方法，在室内外环境中生成了高质量的、自适应的轨迹，突显了其无需额外训练的真实世界适用性。
引用
@article{arxiv.2408.03768,
title = {HDPlanner: Advancing Autonomous Deployments in Unknown Environments through Hierarchical Decision Networks},
author = {Jingsong Liang and Yuhong Cao and Yixiao Ma and Hanqi Zhao and Guillaume Sartoretti},
journal= {arXiv preprint arXiv:2408.03768},
year = {2024}
}
备注
Submitted to RA-L