MAER-Nav：基于镜像增强经验回放实现机器人导航双向运动学习

基于深度强化学习（DRL）的导航方法已展现出巨大的潜力，但在受限空间中动作灵活性有限。常规 DRL 方法主要学习前向运动策略，导致机器人在复杂环境中陷入困境，因而需要后退 maneuver 进行恢复。本文提出 MAER-Nav（Mirror-Augmented Experience Replay for Robot Navigation），一种无需显式失败驱动的 hindsight 经验回放或奖励函数修改，即可实现双向运动学习的新框架。我们的方案将镜像增强经验回放机制与课程学习相结合，通过从成功轨迹中生成合成的后退导航经验来实现。仿真和实际环境中的实验结果表明，MAER-Nav 在保持强大前向导航能力的同时，显著优于现有的领先方法。该框架有效弥合了传统规划方法在综合动作空间利用上的差距，与学习方法在环境适应性上的优势，使其能够在常规 DRL 方法始终失败的场景中实现稳健导航。