SINRL：使用脉冲神经网络进行强化学习的社会集成导航
机器人学
2025-12-09 v1 人工智能
系统与控制
系统与控制
摘要
将自主移动机器人集成到人类环境中需要类人决策以及节能的事件驱动计算。尽管取得了进展，但神经形态方法很少被应用于深度强化学习（DRL）导航方法，原因在于训练不稳定。我们通过一种混合的社会集成 DRL actor-critic 方法来解决这一差距，该方法在 actor 中结合脉冲神经网络（SNN），在 critic 中结合人工神经网络（ANN），并使用神经形态特征提取器来捕捉时间性人群动态和人机交互。我们的方法增强了社会导航性能，并将估计能耗降低了约 1.69 个数量级。
引用
@article{arxiv.2512.07266,
title = {SINRL: Socially Integrated Navigation with Reinforcement Learning using Spiking Neural Networks},
author = {Florian Tretter and Daniel Flögel and Alexandru Vasilache and Max Grobbel and Jürgen Becker and Sören Hohmann},
journal= {arXiv preprint arXiv:2512.07266},
year = {2025}
}
备注
8 pages, 6 figures