基于 PRM-RL 的长距离室内导航
机器人学
2020-02-25 v2 人工智能
机器学习
摘要
长距离室内导航需要引导具有噪声传感器与控制的机器人穿过杂乱环境,沿跨越多种建筑路径行进。我们通过 PRM-RL 实现这一目标,这是一种分层式机器人导航方法:其中将噪声传感器映射为机器人控制的强化学习智能体学习解决短距离避障任务,随后基于采样的规划器在仿真中映射这些智能体能够可靠导航的区域;这些路线图与智能体随后部署于机器人上,沿智能体最可能成功的捷径引导它们。此处我们使用概率路线图(PRM)作为基于采样的规划器,并在室内导航语境中使用 AutoRL 作为强化学习方法。我们在仿真中针对多种环境下的运动学差分驱动与运动学动力学类车机器人,以及在三个实体站点的差分驱动机器人上评估了该方法。我们的结果表明,采用 AutoRL 的 PRM-RL 比若干基线更成功、对噪声具有鲁棒性,并能在仿真与实体机器人中引导机器人跨越数百米距离以克服噪声与障碍,其中包括超过 5.8 公里的实体机器人导航。视频:https://youtu.be/xN-OWX5gKvQ
引用
@article{arxiv.1902.09458,
title = {Long-Range Indoor Navigation with PRM-RL},
author = {Anthony Francis and Aleksandra Faust and Hao-Tien Lewis Chiang and Jasmine Hsu and J. Chase Kew and Marek Fiser and Tsang-Wei Edward Lee},
journal= {arXiv preprint arXiv:1902.09458},
year = {2020}
}
备注
Accepted to T-RO