基于深度强化学习的密集动态环境多智能体运动规划
机器学习
2020-04-01 v1 人工智能
机器人学
摘要
本文提出一种深度强化学习（RL）与基于力的运动规划（FMP）的混合算法，以解决密集动态环境中的分布式运动规划问题。单独来看，RL 与 FMP 算法各有其局限。FMP 无法生成时间最优路径，而现有 RL 方案在密集环境中无法生成无碰撞路径。因此，我们首先尝试通过引入一种新的奖励函数改进近期 RL 方法的性能，该函数不仅消除了预监督学习（SL）步骤的要求，还降低了拥挤环境中的碰撞概率。这带来了改善，但仍有大量失败案例。于是，我们开发了一种混合方法，在受困、简单和高风险情形下利用更简单的 FMP 方法，而在 FMP 无法生成最优路径的常规情形下继续使用 RL。此外，我们将 GA3C-CADRL 算法扩展至 3D 环境。仿真结果表明，所提算法优于深度 RL 与 FMP 算法，成功场景数比深度 RL 最多多 50%，到达目标所多耗时比 FMP 最多少 75%。
引用
@article{arxiv.2001.06627,
title = {Multi-agent Motion Planning for Dense and Dynamic Environments via Deep Reinforcement Learning},
author = {Samaneh Hosseini Semnani and Hugh Liu and Michael Everett and Anton de Ruiter and Jonathan P. How},
journal= {arXiv preprint arXiv:2001.06627},
year = {2020}
}
备注
IEEE Robotics and Automation Letters (2020)