通过融合深度强化学习与在线规划实现机器人在人群中的导航
机器人学
2021-03-01 v1 机器学习
摘要
移动机器人在人群中沿时间高效且无碰撞路径导航仍是一个开放且具有挑战性的问题。主要挑战来自复杂而精细的交互机制,这要求机器人理解人群并作出主动且具有前瞻性的行为。深度强化学习是解决该问题的一个有前景的方案。然而,以往大多数学习方法带来了巨大的计算负担。为解决这些问题,我们提出了一种基于图的深度强化学习方法 SG-DQN,其(i)引入社交注意力机制为人群-机器人状态提取高效的图表示;(ii)利用学到的对决深度 Q 网络(DQN)直接评估原始状态的粗粒度 q 值;然后(iii)通过对可能的未来轨迹进行在线规划来细化粗粒度 q 值。实验结果表明,我们的模型可帮助机器人更好地理解人群,并在人群导航任务中取得超过 0.99 的高成功率。与以往最先进的算法相比,我们的算法在所需计算成本不到一半的情况下取得了相当乃至更优的性能。
引用
@article{arxiv.2102.13265,
title = {Robot Navigation in a Crowd by Integrating Deep Reinforcement Learning and Online Planning},
author = {Zhiqian Zhou and Pengming Zhu and Zhiwen Zeng and Junhao Xiao and Huimin Lu and Zongtan Zhou},
journal= {arXiv preprint arXiv:2102.13265},
year = {2021}
}
备注
8 pages, 7 figures, and two tables. The paper is in submission