基于单目相机通过高效深度强化学习的复杂障碍物规避
机器人学
2022-09-02 v1
摘要
深度强化学习在基于激光的碰撞规避工作中取得了巨大成功,因为激光可以在没有过多冗余数据的情况下感知准确的深度信息,从而能在从仿真环境迁移到真实世界时保持算法的鲁棒性。然而,高成本激光设备不仅难以大规模部署于机器人,而且面对包括不规则障碍物(如桌子、椅子和货架)以及复杂地面和特殊材料在内的复杂障碍物时表现出不尽如人意的鲁棒性。在本文中,我们提出了一种新颖的基于单目相机的复杂障碍物规避框架。特别地,我们创新性地将捕获的RGB图像转换为伪激光测量,以用于高效深度强化学习。与在传统某一高度捕获的仅包含与邻近障碍物距离的一维信息的传统激光测量相比,我们提出的伪激光测量融合了捕获RGB图像的深度和语义信息,这使得我们的方法对复杂障碍物有效。我们还设计了一个特征提取引导模块来加权输入的伪激光测量,智能体对当前状态具有更合理的注意力,有利于提高障碍物规避策略的准确性和效率。
引用
@article{arxiv.2209.00296,
title = {Monocular Camera-based Complex Obstacle Avoidance via Efficient Deep Reinforcement Learning},
author = {Jianchuan Ding and Lingping Gao and Wenxi Liu and Haiyin Piao and Jia Pan and Zhenjun Du and Xin Yang and Baocai Yin},
journal= {arXiv preprint arXiv:2209.00296},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2108.06887