基于强化学习的低可见性环境逃生路线生成
人工智能
2024-06-13 v1 机器学习
机器人学
摘要
结构火灾是全国大多数火灾死亡的原因。为了帮助被困人员快速疏散，本文提出了一种系统，用于基于环境测量数据实时确定火fighter 的最优搜索路径和民众的撤生路径。通过使用 LiDAR 映射系统，该系统经检验和验证，其可信范围从声纳和烟浓度数据中得出。测试了低可见性映射的解决方案后，这些独立的点云被用于创建不同的地图，这些地图通过 RANSAC 基于对齐方法的合并并简化为可见性图。随后使用温度和湿度数据为每个节点赋予危险评分，创建环境张量。本文在线性函数逼近的自然策略梯度强化学习方法证明其对鲁棒性和速度的优于更复杂的竞争方法后，概述了两个系统（救援者和难民），后者处理环境张量以创建安全的救援和逃生路线。
引用
@article{arxiv.2406.07568,
title = {Reinforcement Learning Based Escape Route Generation in Low Visibility Environments},
author = {Hari Srikanth},
journal= {arXiv preprint arXiv:2406.07568},
year = {2024}
}