基于强化学习的清洁机器人路径规划
机器人学
2022-08-18 v1 人工智能
摘要
近年来，随着清洁机器人需求稳步增长，家庭用电量也随之增加。为解决这一用电问题，清洁机器人高效路径规划问题变得重要并已开展诸多研究。然而，多数研究仅涉及沿简单路径段移动，而非覆盖所有区域的整体路径。随着深度学习的兴起，强化学习（RL）已被应用于清洁机器人。但现有RL模型仅能在特定清洁环境中运行，无法适应多样清洁环境。问题在于，每当清洁环境改变时模型都须重新训练。为解决该问题，将近端策略优化（PPO）算法与一种可在多样清洁环境中运行的高效路径规划相结合，采用迁移学习（TL）、检测最近已清洁栅格、奖励塑形及构建精英集等方法。所提方法通过消融实验及与随机、锯齿等常规方法的对比得到验证。实验结果表明，相较原始PPO，所提方法训练性能更优且收敛速度更快；同时也表明该方法性能优于常规方法（随机、锯齿）。
引用
@article{arxiv.2208.08211,
title = {Path Planning of Cleaning Robot with Reinforcement Learning},
author = {Woohyeon Moon and Bumgeun Park and Sarvar Hussain Nengroo and Taeyoung Kim and Dongsoo Har},
journal= {arXiv preprint arXiv:2208.08211},
year = {2022}
}
备注
7 pages with 11 figures