HeR-DRL：用于去中心化多机器人人群导航的异构关系深度强化学习
机器人学
2024-03-18 v1
摘要
近年来，人群导航受到了广泛的研究关注，尤其是基于 DRL 的方法。虽然单机器人人群场景主导了研究，但它们对现实世界的复杂性适用性有限。多个智能体类别之间交互的异构性，例如在去中心化多机器人行人场景中，经常被忽视。这种“交互盲点”阻碍了泛化能力并限制了鲁棒导航算法的发展。在本文中，我们提出了一种异构关系深度强化学习（HeR-DRL），基于定制的异构 GNN，以改善去中心化多机器人人群导航中的导航策略。首先，我们设计了一种构建机器人-人群异构关系图的方法，有效模拟了异构的成对交互关系。我们提出了一种新的异构图神经网络，用于传输和聚合异构状态信息。最后，我们将编码后的信息纳入深度强化学习以探索最优策略。通过在单机器人和多机器人圆圈交叉场景中与 SOTA 算法进行比较，对 HeR-DRL 进行了严格评估。实验结果表明，HeR-DRL 在整体性能上超越了 SOTA 方法，特别是在安全性和舒适性指标上表现优异。这凸显了交互异构性对于人群导航的重要性。源代码将在 https://github.com/Zhouxy-Debugging-Den/HeR-DRL 公开发布。
引用
@article{arxiv.2403.10083,
title = {HeR-DRL:Heterogeneous Relational Deep Reinforcement Learning for Decentralized Multi-Robot Crowd Navigation},
author = {Xinyu Zhou and Songhao Piao and Wenzheng Chi and Liguo Chen and Wei Li},
journal= {arXiv preprint arXiv:2403.10083},
year = {2024}
}