面向不平坦户外环境的具空间感知机器人导航的仿真到现实策略
机器人学
2022-05-20 v1
摘要
深度强化学习（DRL）由于逼真模拟环境的可用性而取得巨大成功。然而，在模拟到真实世界的迁移过程中，性能下降对于在模拟环境中训练的策略而言仍是一个具有挑战性的问题。为缩小这一仿真到现实的差距，我们提出了一种新颖的混合架构，利用完全训练的注意力DRL策略的中间输出作为户外导航的导航代价地图。我们的注意力DRL网络以机器人中心高程地图、IMU数据、机器人位姿、先前动作和目标信息作为输入，计算出突出不可通行区域的导航代价地图。我们在代价地图上计算最小代价航点，并利用动态窗口法（DWA）对高代价区域施加速度约束，以在高度不平坦的户外环境中跟踪航点。我们的公式在稳定、可通行的区域生成动态可行的速度以到达机器人目标。我们观察到，在复杂户外环境中，与端到端DRL方法和最先进方法相比，成功率提高了5%，机器人平均振动降低了13.09%，平均速度降低了19.33%。我们使用Clearpath Husky机器人在模拟和不平坦真实环境中评估了我们方法的优势。
引用
@article{arxiv.2205.09194,
title = {Sim-to-Real Strategy for Spatially Aware Robot Navigation in Uneven Outdoor Environments},
author = {Kasun Weerakoon and Adarsh Jagan Sathyamoorthy and Dinesh Manocha},
journal= {arXiv preprint arXiv:2205.09194},
year = {2022}
}