SACPlanner：基于 Soft Actor Critic 局部规划器与极坐标状态表示的真实世界避障
机器人学
2023-03-22 v1
摘要
我们研究了基于强化学习（RL）的 ROS 局部规划器的训练性能，以及它们在真实世界机器人上生成的轨迹。我们表明，近期对 Soft Actor Critic（SAC）算法的改进（如 RAD 与 DrQ）仅在 10000 个回合后便实现了近乎完美的训练。我们还观察到，在真实世界机器人上，所得到的 SACPlanner 比 DWA 等传统 ROS 局部规划器对障碍物更具反应性。
引用
@article{arxiv.2303.11801,
title = {SACPlanner: Real-World Collision Avoidance with a Soft Actor Critic Local Planner and Polar State Representations},
author = {Khaled Nakhleh and Minahil Raza and Mack Tang and Matthew Andrews and Rinu Boney and Ilija Hadzic and Jeongran Lee and Atefeh Mohajeri and Karina Palyutina},
journal= {arXiv preprint arXiv:2303.11801},
year = {2023}
}
备注
Accepted at 2023 IEEE International Conference on Robotics and Automation (ICRA)