NavG：基于带引导点强化学习的拥挤环境风险感知导航
机器人学
2025-03-05 v1
摘要
导航系统中的运动规划极易受到上游感知错误的影响，特别是在人体检测和跟踪方面。为了缓解这一问题，引入了引导点的概念——这是一种基于强化学习框架的新型方向线索。我们开发了一种识别引导点的结构化方法，包括障碍物边界提取、潜在引导点检测和冗余消除。为了将引导点集成到导航管线中，提出了一种从感知到规划的映射策略，将引导点与其他感知输入统一起来，使 RL 智能体能够有效利用原始激光数据、人体检测和跟踪以及引导点之间的互补关系。定性和定量模拟表明，所提出的方法实现了最高的成功率和接近最优的行进时间，极大地提高了安全性和效率。此外，在动态走廊和大厅中的真实世界实验验证了机器人自信地绕过障碍物并鲁棒地避开行人的能力。
引用
@article{arxiv.2503.02111,
title = {NavG: Risk-Aware Navigation in Crowded Environments Based on Reinforcement Learning with Guidance Points},
author = {Qianyi Zhang and Wentao Luo and Boyi Liu and Ziyang Zhang and Yaoyuan Wang and Jingtai Liu},
journal= {arXiv preprint arXiv:2503.02111},
year = {2025}
}