基于越域深度强化学习的无地图移动机器人探索
机器人学
2026-03-31 v2
摘要
自动移动机器人（AMR）在可能被拒绝 GPS 的动态环境中进行无地图导航是尚未解决的问题，具有提高人类能力的潜力。传统的模块化方法计算效率低，需要显式特征提取和工程化，从而限制了其泛化性和大规模部署。我们提出了一种越域（Out-of-Distribution, OOD）深度强化学习（DRL）方法，包含对非结构化地形和动态障碍物规避的功能。我们利用加速仿真训练在 racetrack 中进行训练，采用转移概率来参数化空间推理，以内在探索行为，构建一种紧凑、计算效率高的人工神经网络（ANN），该网络在零样本迁移时包含一种奖励组件来缓解仿真与真实世界物理之间的差异。我们的做法无需单独的高级规划器或实时地图即可实现功能，利用模块方法的计算资源的一小部分，使其能够在不同嵌入式计算机配置的 AMRs 上执行。
引用
@article{arxiv.2402.05066,
title = {Mobile Robot Exploration Without Maps via Out-of-Distribution Deep Reinforcement Learning},
author = {Shathushan Sivashangaran and Apoorva Khairnar and Azim Eskandarian},
journal= {arXiv preprint arXiv:2402.05066},
year = {2026}
}
备注
\c{opyright} 2025 the authors. This work has been accepted to IFAC for publication under a Creative Commons License CC-BY-NC-ND