NavTuner：学习场景敏感的导航策略族
机器人学
2021-03-03 v1
摘要
深度学习的出现激发了针对机器人学多种问题领域的端到端学习研究。在导航方面，由此产生的方法可能不具备所期望的泛化特性，更不用说匹配传统方法的性能。我们不去学习导航策略，而是探索在现有导航模块的参数空间中学习自适应策略。拥有自适应参数使导航模块获得一族可根据局部场景结构动态重新配置的策路，并回应了机器学习中常见的“工程化方案不灵活”的论断。在测试的方法中，强化学习（RL）通过对现代导航方法的成功率对环境杂波敏感性的降低，被证明可带来显著的性能提升。结果表明，RL作为一种元策略学习器或动态参数调节器，能有效增强对外部可测干扰因素敏感的算法的鲁棒性。
引用
@article{arxiv.2103.01464,
title = {NavTuner: Learning a Scene-Sensitive Family of Navigation Policies},
author = {Haoxin Ma and Justin S. Smith and Patricio A. Vela},
journal= {arXiv preprint arXiv:2103.01464},
year = {2021}
}