面向基于深度强化学习导航方法长距离引导的障碍物感知航点生成

移动机器人在拥挤环境中的导航是配送、医疗或物流等多种应用场景中的一项基本任务。深度强化学习（DRL）作为一种替代方法出现，用以取代过于保守的方法，并有望实现更高效、灵活的导航。然而，由于其短视本性，深度强化学习仅限于局部导航。先前的研究工作提出了多种将深度强化学习与常规方法结合的方式，但一个共同问题是高度动态环境因人与其他物体的不可预测性而带来的复杂性。本文中，我们提出了一种分层航点生成器，其考虑移动障碍物，从而为基于深度强化学习的局部规划器生成更安全、更鲁棒的航点。为此，我们利用德劳内三角剖分对障碍物进行编码，并引入一种扩展的混合A-Star方法，以在时态空间中高效搜索最优解。我们将所提航点生成器与两种基线方法进行比较，并在安全性、效率与鲁棒性方面优于它们。