基于深度强化学习的 GNSS 禁区环境下长距离地磁导航
机器人学
2024-10-22 v1 人工智能
摘要
地磁导航正日益受到关注，因为其在复杂环境中导航能力以及对类似全球导航卫星系统 (GNSS) 等外部导航服务的独立性。现有研究的地磁导航方法，即匹配导航和仿生导航，依赖于预存储地图或大规模搜索，导致在未探索区域的适用性有限或导航效率降低。在 GNSS 不可用的情况下，本文开发了一种基于深度强化学习 (DRL) 的机制，特别是用于长距离地磁导航。设计的机制训练一个代理人，以学习并获得地磁感知能力进行地磁导航，而无需使用任何预存储地图或大规模且昂贵的搜索方法。特别地，我们将地磁梯度基于并行方法集成到地磁导航中。该集成通过调整地磁梯度来缓解学习代理人的过度探索，使得获得的梯度指向目的地。我们通过详细的数值仿真研究了所提出方法的有效性，其中实现了双延迟深度确定性策略梯度 (TD3) 来实现所提出的方法。结果表明，我们的方法在多样化导航条件下的长距离任务中，优于现有的元启发式和仿生导航方法。
引用
@article{arxiv.2410.15837,
title = {Long-distance Geomagnetic Navigation in GNSS-denied Environments with Deep Reinforcement Learning},
author = {Wenqi Bai and Xiaohui Zhang and Shiliang Zhang and Songnan Yang and Yushuai Li and Tingwen Huang},
journal= {arXiv preprint arXiv:2410.15837},
year = {2024}
}