RUMOR：用于动态环境中导航的强化学习模型理解
机器人学
2025-04-29 v2
摘要
动态环境中的自主导航是自主机器人面临的复杂且必需的任务，近期的深度强化学习方法显示出有前景的效果。然而，现实世界的复杂性使得在每一种可能的情景配置下训练智能体几乎不可能。此外，现有方法通常忽视机器人动力学约束，或假设对环境有完美的知识。在本工作中，我们提出了 RUMOR，一种用于差动驱动机器人导航的新型规划器，利用深度强化学习在高度动态环境中进行导航。与其他端到端 DRL 规划器不同，RUMOR 使用描述性机器人中心坐标速度空间模型来提取动态环境信息，增强了训练效果和情景解释。此外，我们提出一种内在考虑机器人动力学的动作空间，并在能够再现现实世界问题方面的模拟器中进行训练，以缩小现实与仿真之间的差距。我们广泛地将 RUMOR 与其他最先进的方法进行了比较，证明其性能更优，并对结果进行了详细分析。最后，我们在真实世界环境中部署了 RUMOR，验证了其在地面机器人上的性能。我们的实验在拥挤的场景和未遇到的环境中确认了该算法的鲁棒性和可迁移性。
引用
@article{arxiv.2404.16672,
title = {RUMOR: Reinforcement learning for Understanding a Model of the Real World for Navigation in Dynamic Environments},
author = {Diego Martinez-Baselga and Luis Riazuelo and Luis Montano},
journal= {arXiv preprint arXiv:2404.16672},
year = {2025}
}