语义驱动的巡检路径规划深度强化学习
机器人学
2025-05-21 v1
摘要
本文介绍了一种通过深度强化学习推导出的新颖的语义感知巡检规划策略。在未知环境中的自主信息路径规划任务中，通常仅需对稀疏的兴趣对象集合进行巡检，基于这一事实，该方法提供了一种端到端策略，可同时执行语义对象视觉巡检与无碰撞导航。假设仅可获取瞬时深度图、相关的分割图像、以自我为中心的局部占据图以及机器人邻域内过去位置的历史记录，该方法展示了稳健的泛化能力并成功跨越了 sim2real 鸿沟。除了仿真与广泛的对比研究外，该方法还在部署于具有前所未见的语义和整体几何配置的新环境中的飞行机器人上进行了实验评估验证。
引用
@article{arxiv.2505.14443,
title = {Semantically-driven Deep Reinforcement Learning for Inspection Path Planning},
author = {Grzegorz Malczyk and Mihir Kulkarni and Kostas Alexis},
journal= {arXiv preprint arXiv:2505.14443},
year = {2025}
}
备注
Accepted for publication in IEEE Robotics and Automation Letters (RA-L)