基于深度强化学习的非holonomic 窄死端逃脱
机器人学
2025-12-01 v1 系统与控制
系统与控制
摘要
非holonomic 约束限制可行速度而不减少配置空间维度，这使得类似车辆的机器人所需的几何路径通常不可执行。阿克曼转向进一步施加曲率限制，禁止原地旋转，因此从窄死端逃脱通常需要紧凑的前进-后退动作序列。将全局搜索与局部驾驶解耦的经典规划器在此类场景中难以胜任，因为窄通道占据低测度区域，同时非holonomic 可达性缩小了有效连接的集合，导致抽样效率下降并增加对剩余量的敏感性。我们研究非holonomic 窄死端逃脱问题，贡献三个关键技术：其一，构建生成器以采样符合阿克曼运动学的多相前进-后退轨迹，并对其包络进行膨胀，以合成保证至少存在一条可行逃脱路径的窄死端族；其二，构建训练环境以强制执行运动约束，并基于软演员-评论家算法训练策略；其三，在参数化死端族上对比评估经典规划器（组合全局搜索与非holonomic 驾驶）。实验结果表明，所学策略在解决更多实例、减少动作次数方面优于代表作，同时在相同的感知与控制限制下保持相当的路径长度和规划时间。我们将项目作为开源代码发布于 https://github.com/gitagitty/cisDRL-RobotNav.git。
引用
@article{arxiv.2511.22338,
title = {Nonholonomic Narrow Dead-End Escape with Deep Reinforcement Learning},
author = {Denghan Xiong and Yanzhe Zhao and Yutong Chen and Zichun Wang},
journal= {arXiv preprint arXiv:2511.22338},
year = {2025}
}
备注
14 pages, 5 figures, 1 table, submitted to arXiv