一次学习，任意规划 (LOPA)：面向全局路径规划的注意力增强深度强化学习方法
机器学习
2024-01-10 v1 人工智能
机器人学
摘要
深度强化学习 (DRL) 方法近期在路径规划任务中展现出潜力。然而，在处理全局规划任务时，这些方法面临收敛性差和泛化能力弱等严峻挑战。为此，本文提出了一种名为 LOPA（一次学习，任意规划）的注意力增强 DRL 方法。首先，我们从 DRL 观测的角度分析了这些问题的成因，揭示了传统设计导致 DRL 受到无关地图信息干扰。其次，我们开发了 LOPA，它利用一种新颖的注意力增强机制，提升了对观测中关键信息的注意力能力。该机制通过两个步骤实现：(1) 构建一个注意力模型，将 DRL 的观测转化为局部和全局两个动态视图，显著引导 LOPA 聚焦于给定地图上的关键信息；(2) 构建一个双通道网络来处理这两个视图并将其整合，以获得更强的推理能力。通过多目标全局路径规划实验对 LOPA 进行了验证。结果表明，LOPA 具有更好的收敛性和泛化性能，以及很高的路径规划效率。
引用
@article{arxiv.2401.04145,
title = {Learn Once Plan Arbitrarily (LOPA): Attention-Enhanced Deep Reinforcement Learning Method for Global Path Planning},
author = {Guoming Huang and Mingxin Hou and Xiaofang Yuan and Shuqiao Huang and Yaonan Wang},
journal= {arXiv preprint arXiv:2401.04145},
year = {2024}
}