推动反应式规划极限：学习逃离局部最优
机器人学
2024-07-19 v1
摘要
机器人规划何时需要地图？仅依赖机器人当前传感器数据和局部信息的反应式方法虽快且灵活，却容易陷入局部最优。Fully reactive 方法与基于地图的路径规划器之间是否存在折中方案？本文研究前馈网络和循环网络用于增强纯粹反应式传感器-based 规划器，以赋予机器人关于如何逃离局部最优的几何直觉。我们在大量基于原始形状自动生成的极度杂乱世界上进行训练，展示了该系统零样本迁移至真实 3D 人造环境，并能处理最高30%的传感器噪声而不降低性能。我们还讨论了网络记忆在最终系统中所扮演的角色，以及关于反应式导航与地图导航本质的洞见。
引用
@article{arxiv.2407.13530,
title = {Pushing the Limits of Reactive Planning: Learning to Escape Local Minima},
author = {Isar Meijer and Michael Pantic and Helen Oleynikova and Roland Siegwart},
journal= {arXiv preprint arXiv:2407.13530},
year = {2024}
}