缩比机器人车辆的建模、定位与深度强化学习路径跟踪控制：设计与实验验证
机器人学
2024-01-11 v1 人工智能
系统与控制
系统与控制
摘要
移动机器人系统日益普及。这些系统用于各种室内应用，从仓储和制造到用于评估先进控制策略（如基于人工智能的控制方案）的测试平台，不一而足。缩比机器人汽车通常配备分层控制架构，包括专用于车辆状态估计和控制的任务。本文涵盖这两个方面，提出：(i) 一种联邦扩展卡尔曼滤波器（FEKF），以及 (ii) 一种新颖的深度强化学习（DRL）路径跟踪控制器，该控制器通过专家演示进行训练，以加快学习阶段并增强对仿真到现实差距的鲁棒性。本文还给出了车辆模型的公式化表述，以及一个有效而简单的参数辨识过程。经过实验验证的模型用于 (i) 支持 FEKF 的设计，以及 (ii) 作为数字孪生，用于训练所提出的基于 DRL 的路径跟踪算法。实验结果证实了 FEKF 改善移动机器人位置估计的能力。此外，DRL 路径跟踪策略的有效性在训练中未考虑的机动动作上进行了实验测试，同时展示了基于人工智能的解决方案优于基于模型的控制策略和演示器的能力。通过与基准控制器的比较，通过一组关键性能指标进行了定量评估。
引用
@article{arxiv.2401.05194,
title = {Modelling, Positioning, and Deep Reinforcement Learning Path Tracking Control of Scaled Robotic Vehicles: Design and Experimental Validation},
author = {Carmine Caponio and Pietro Stano and Raffaele Carli and Ignazio Olivieri and Daniele Ragone and Aldo Sorniotti and Umberto Montanaro},
journal= {arXiv preprint arXiv:2401.05194},
year = {2024}
}
备注
Under review on IEEE Transactions