SafeMove-RL：用于轨迹规划中动态运动约束的可证认证强化学习框架
机器人学
2025-05-20 v1
摘要
本研究提出一种基于动态安全边际的强化学习框架，用于动态不确定环境中局部运动规划。该规划器集成了实时轨迹优化与自适应间隙分析，实现了在部分可观测约束下的有效可行性评估。为解决未知情景下的安全关键计算问题，引入增强型在线学习机制，动态修正空间轨迹，通过形成动态安全边际维持控制不变性。广泛的评估包括消融实验与与最新算法的比较，表明该框架在成功率和计算效率方面均优异。该框架的有效性亦在模拟平台和物理机器人平台上得到验证。
引用
@article{arxiv.2505.12648,
title = {SafeMove-RL: A Certifiable Reinforcement Learning Framework for Dynamic Motion Constraints in Trajectory Planning},
author = {Tengfei Liu and Haoyang Zhong and Jiazheng Hu and Tan Zhang},
journal= {arXiv preprint arXiv:2505.12648},
year = {2025}
}