面向无人机的并行分布式优先深度强化学习
机器人学
2023-09-04 v1
摘要
本工作研究了应用于无人机无地图导航的并行与分布式深度强化学习。为此，我们基于 Soft Actor-Critic 方法开发了一种方法，产生了一种名为 PDSAC 的分布式与分布式变体，并与另一种基于传统 SAC 算法的方法进行比较。此外，我们还将优先记忆系统嵌入其中。研究中使用的无人机基于 Hydrone 飞行器，一种仅在空中运行的混合四旋翼。系统输入来自激光雷达传感器的 23 个测距值以及朝向期望目标的距离和角度，输出包括线速度、角速度和高度速度。这些方法在复杂度各异的环境中训练，从无障碍环境到三维多障碍环境。所得结果表明，在相同训练步数下，与基于 SAC 的智能体相比，所提方法的导航能力有显著提升。总之，本工作研究了应用于无人机三维无地图导航的深度强化学习，取得了有前景的结果，并在与机器人和自主空中导航相关的各类场景中具潜在应用价值，且采用了分布式与分布式的变体。
引用
@article{arxiv.2309.00176,
title = {Parallel Distributional Prioritized Deep Reinforcement Learning for Unmanned Aerial Vehicles},
author = {Alisson Henrique Kolling and Victor Augusto Kich and Junior Costa de Jesus and Andressa Cavalcante da Silva and Ricardo Bedin Grando and Paulo Lilles Jorge Drews-Jr and Daniel F. T. Gamarra},
journal= {arXiv preprint arXiv:2309.00176},
year = {2023}
}
备注
7 pages, 6 figures. Approved at LARS 2023