残差反应式导航：融合经典与学习型导航策略用于未知环境部署
机器人学
2020-03-12 v2 机器学习
摘要
在这项工作中，我们专注于改善学习型导航策略从其训练环境迁移到先前未见环境时的效率与泛化能力。我们扩展了来自机器人操作文献的残差强化学习框架，并将其适配于移动机器人可运行的广阔非结构化环境。该概念基于学习一个残差控制效应，将其加到典型的次优经典控制器上以缩小性能差距，同时在训练过程中引导探索过程以提高数据效率。我们利用这种紧密耦合，提出了一种新颖的部署策略，即切换式残差反应式导航 (sRRN)，它产生高效轨迹，并在策略不确定性高时以概率方式切换到经典控制器。我们的方法相对于端到端替代方案实现了改进的性能，并且可作为完整导航栈的一部分用于真实世界中杂乱的室内导航任务。该项目的代码与训练环境已在 https://sites.google.com/view/srrn/home 公开提供。
引用
@article{arxiv.1909.10972,
title = {Residual Reactive Navigation: Combining Classical and Learned Navigation Strategies For Deployment in Unknown Environments},
author = {Krishan Rana and Ben Talbot and Vibhavari Dasagi and Michael Milford and Niko Sünderhauf},
journal= {arXiv preprint arXiv:1909.10972},
year = {2020}
}
备注
Accepted as a conference paper at ICRA2020. Project site available at https://sites.google.com/view/srrn/home